Das Elektrokardiogramm (ECG) ist anfällig für verschiedene Störungen, die durch unterschiedliche Faktoren verursacht werden. Es ist daher übliche Praxis, das Signal vor einer weiteren Analyse zu entstören. Mit der Entwicklung eines neuen Zweigs des maschinellen Lernens, der tiefen Lernverfahren (Deep Learning), stehen neue Methoden zur Verfügung, die eine Spitzenleistung in dieser Aufgabe versprechen. Wir stellen einen neuen Ansatz zur Entstörung von ECG-Signalen mit tiefen rekurrenten neuronalen Netzen vor. Dabei nutzen wir ein Transfer-Lernen-Verfahren, indem wir das Netzwerk zunächst mit synthetischen Daten vortrainieren, die durch ein dynamisches ECG-Modell generiert wurden, und es dann mit echten Daten feinjustieren. Zudem untersuchen wir den Einfluss der synthetischen Trainingsdaten auf die Leistung des Netzwerks bei realen Signalen. Die vorgeschlagene Methode wurde an einem echten Datensatz mit variierendem Rauschpegel getestet. Die Ergebnisse zeigen, dass ein vierstufiges tiefes rekurrentes neuronales Netzwerk bei stark rauschigen Signalen bessere Ergebnisse als Referenzmethoden erzielen kann. Darüber hinaus scheinen Netzwerke, die mit synthetischen Daten vorgetrainiert wurden, bessere Ergebnisse zu liefern als solche, die nur mit echten Daten trainiert wurden. Wir demonstrieren, dass es möglich ist, ein state-of-the-art Entstörungsnetzwerk zu erstellen, das nach angemessener Feinjustierung auf künstlichen Daten auch bei realen ECG-Signalen außergewöhnlich gut abschneidet.