Laut der Weltgesundheitsorganisation sind etwa 36 % der jährlichen Todesfälle mit Herz-Kreislauf-Erkrankungen assoziiert, und 90 % der Herzinfarkte sind vermeidbar. Die Analyse von Elektrokardiogramm-Signalen in der ambulanten Elektrokardiographie, während eines Belastungstests und in Ruhezustand ermöglicht die Diagnose von Herz-Kreislauf-Erkrankungen. Allerdings können während der Aufnahme verschiedene Störgeräusche die Signalkualität beeinträchtigen und damit ihr diagnostisches Potenzial gefährden. Das Baseline-Wander ist eines der unerwünschtesten Geräusche. In dieser Arbeit schlagen wir einen neuen Algorithmus zur Filterung von BLW-Geräuschen unter Verwendung tiefer Lernverfahren vor. Die Leistung des Modells wurde anhand der QT-Datenbank und der MIT-BIH Noise Stress Test Datenbank von Physionet validiert. Zudem wurden mehrere vergleichende Experimente durchgeführt, bei denen sowohl herkömmliche Filterverfahren als auch moderne tiefe Lernverfahren eingesetzt wurden. Der vorgeschlagene Ansatz erzielt die besten Ergebnisse in vier Ähnlichkeitsmetriken: Summe der quadrierten Abstände, maximaler absoluter Quadratwert, Prozentsatz des Wurzelabstands und Kosinus-Ähnlichkeit mit 4,29 (6,35) au, 0,34 (0,25) au, 45,35 (29,69) au und 91,46 (8,61) au jeweils. Der Quellcode dieser Arbeit, einschließlich unserer Methode und verwandter Implementierungen, ist frei verfügbar auf Github.