La detección temprana y altamente precisa es esencial para retrasar la progresión de la enfermedad de las arterias coronarias (CAD). Los métodos previos basados principalmente en datos de un solo modo carecen inherentemente de información suficiente que compromete la precisión de detección. Este artículo propone un novedoso método de aprendizaje multimodal destinado a mejorar la detección de CAD mediante la integración de señales de ECG, PCG y acoplamiento. Una nueva señal de acoplamiento se genera inicialmente operando la deconvolución de ECG y PCG. Luego, se extraen diversas características de entropía de ECG, PCG y sus señales de acoplamiento, así como características profundas de recurrencia también codificadas mediante la integración de tramas de recurrencia y una CNN 2-D de entrada paralela. Después de la reducción y selección de características, se realiza la clasificación final combinando las características multimodales óptimas y la máquina de soporte vectorial. Este método se validó en señales de ECG y PCG estándar grabadas simultáneamente de 199 sujetos. Los resultados experimentales demuestran que el método multimodal propuesto mediante la integración de todas las señales logró una notable mejora en el rendimiento de detección con una mejor precisión del 95,96%, superando notablemente los resultados de análisis de un solo modo y conjunto con precisión de 80,41%, 86,51%, 91,44% y 90,42% utilizando ECG, PCG, señal de acoplamiento y ECG y PCG conjuntos, respectivamente. Esto indica que nuestro método multimodal proporciona más información suficiente para la detección de CAD, siendo la información de acoplamiento un factor importante en la clasificación.