Resumen ─ Las enfermedades cardiovasculares son la principal causa de mortalidad en el mundo, por lo que el desarrollo de algoritmos que detecten arritmias cardiacas en tiempo real se ha convertido en un campo de investigacion importante. El desarrollo de estos algoritmos ha conllevado a la mejora de dispositivos cardiacos portatiles. Este articulo presenta el desempeno de dos algoritmos basados en aprendizaje de maquina no supervisado para la deteccion de latidos de contraccion ventricular prematura en la senal ECG. Los latidos se extraen de las bases de datos del MIT-BIH, los cuales fueron pre-procesados y segmentados por el grupo de investigacion de Dinamica Cardiovascular de la UPB. La Transformada Wavelet Discreta, el Analisis de Componentes Principales y un metodo hibrido propuesto son implementados para la extraccion de caracteristicas y reduccion de dimensiones, a partir de los cuales se generan 8 espacios de caracteristicas para la evaluacion de los algoritmos. Kmeans y Mapas auto-organizados son desarrollados y comparados en terminos de precision y costo computacional. Se logro una especificidad del 96.22 % y una sensibilidad del 95.04 % con un tiempo de ejecucion de 79.41µs por latido. Los resultados permiten concluir que estos metodos pueden implementarse en aplicaciones de deteccion de arritmias en tiempo real debido a su bajo costo computacional. Abstract ─ Cardiovascular diseases are the principal cause of mortality in the world, so that the development of algorithms that detect cardiac arrhythmias in real time has become an important field of research. The development of these algorithms has led to the improvement of wearable cardiac devices. This paper presents the performance of two algorithms based in unsupervised learning methods for the detection of Premature Ventricular Contraction in the ECG signal. The beats are extracted from MIT-BIH databases, which were preprocessed and segmented by the UPB’s Dynamic Cardiovascular research group. The Discrete Wavelet Transform (DWT), Principal Component Analysis (PCA) and a proposed hybrid method are implemented for the feature extraction and dimension reduction, from which 8 feature spaces are generated and tested. Kmeans and Self Organizing Maps are developed and compared in terms of accuracy and computational cost. Specificity of 96.22 % and sensitivity of 95.94% with 79.41µs per beat are accomplished. The results show that these methods can be implemented in applications of real time arrhythmia detection because of their low computational cost. Resumo ─ A doenca cardiovascular e a principal causa de morte em todo o mundo, de modo que o desenvolvimento de algoritmos para detectar arritmias cardiacas, em tempo real, tornou-se um importante campo de pesquisa. O desenvolvimento desses algoritmos tem levado a melhores dispositivos cardiacos portateis. Este artigo apresenta o desempenho dos dois com base na aprendizagem de maquina sem supervisao para deteccao de batidas de contracao ventriculares prematuras nos algoritmos de sinais de ECG. As batidas sao extraidos das bases de dados do MIT-BIH, que foram pre-processados e segmentado pelo grupo da UPB Cardiovasculares Dynamics pesquisa. A Transformada Wavelet Discreta, Analise de Componentes Principais e uma abordagem hibrida proposta sao implementadas para extracao de caracteristicas e reducao de dimensao, a partir do qual 8 espacos de recursos para a avaliacao dos algoritmos sao gerados. Kmeans e mapas de auto-organizacao sao desenvolvidos e comparados em termos de precisao e custo computacional. A especificidade de 96,22% e uma sensibilidade de 95,04% com um tempo de execucao de 79.41μs por batida foi alcancado. Os resultados mostram que estes metodos podem ser implementados em aplicacoes de deteccao de arritmia em tempo real, devido ao seu baixo custo computacional.