Un electrocardiograma (ECG) es una representación única de la identidad de una persona, similar a las huellas dactilares, y su ritmo y forma son completamente diferentes de una persona a otra. Clonar y manipular sistemas biométricos basados en ECG es muy difícil. Por lo tanto, las señales de ECG se han utilizado con éxito en una serie de aplicaciones de reconocimiento biométrico donde la seguridad es una prioridad. Los principales desafíos en la literatura existente son (i) los componentes de ruido en las señales, (ii) la incapacidad para extraer automáticamente el conjunto de características, y (iii) el rendimiento del sistema. Este artículo sugiere una técnica de coincidencia de plantillas basada en latidos y aprendizaje profundo (DL) para resolver problemas con técnicas tradicionales. La eliminación de ruido de los latidos de ECG, la detección de picos R y la segmentación se realizan en la etapa de preprocesamiento de esta metodología propuesta. Estos latidos de ECG libres de ruido se convierten en imágenes en escala de grises y se aplican a la técnica de aprendizaje profundo propuesta. También se desarrolla una función de activación personalizada en este trabajo para una convergencia más rápida de la red de aprendizaje profundo. La red propuesta puede extraer características automáticamente de los datos de entrada. El rendimiento de la red se prueba con una base de datos biométrica de ECGID disponible públicamente, y el método propuesto se compara con la literatura existente. La comparación muestra que la red siamés modificada propuesta autenticó biométricos con una precisión del 99.85%, una sensibilidad del 99.30%, una especificidad del 99.85% y una predictibilidad positiva del 99.76%. Los resultados experimentales muestran que el método propuesto funciona mejor que las técnicas de vanguardia.