В данной исследовательской работе представлена инновационная архитектура нейронной сети GLF-Net, предназначенная для высокоточной сегментации волновых форм на электрокардиограммах (ЭКГ). Основная научная новизна заключается в интеграции квазипериодического априорного руководства (quasi-periodic prior-guided), что позволяет модели учитывать естественную ритмическую структуру сердечного цикла при обработке сигналов. Методология исследования фокусируется на автоматическом выделении ключевых компонентов ЭКГ, что критически важно для последующего анализа вариабельности сердечного ритма и диагностики аритмий. Разработанная сеть демонстрирует превосходство над существующими методами сегментации, обеспечивая более высокую точность границ волн P, QRS-комплекса и T. Практическая значимость работы заключается в возможности автоматизации рутинного анализа ЭКГ, снижении нагрузки на врачей-кардиологов и минимизации человеческого фактора при интерпретации сложных паттернов сердечного ритма. Использование GLF-Net позволяет создавать более надежные системы поддержки принятия врачебных решений в кардиологии.