La circulación sanguínea depende críticamente de la activación eléctrica, donde cualquier alteración en el patrón ordenado de la onda de excitación propagante del corazón puede llevar a arritmias. El diagnóstico de arritmias utilizando electrocardiogramas (ECG) es ampliamente utilizado porque son una herramienta rápida, económica y no invasiva. Sin embargo, la aleatoriedad de los eventos arrítmicos y la susceptibilidad de los ECG al ruido llevan a un diagnóstico erróneo de las arritmias. Además, diagnosticar manualmente arritmias cardíacas utilizando datos de ECG es intensivo en tiempo y propenso a errores. Con un mejor entrenamiento, el aprendizaje profundo (DL) podría ser una mejor alternativa para la clasificación rápida y automática. El presente estudio introduce una nueva arquitectura de aprendizaje profundo, específicamente una red neuronal convolucional unidimensional (1D-CNN), para la clasificación de arritmias cardíacas. El modelo fue entrenado y validado con señales de ECG reales y atenuadas de ruido del conjunto de datos MIT-BIH. El objetivo principal es abordar las limitaciones de los electrocardiogramas tradicionales (ECG) en el diagnóstico de arritmias, que pueden ser afectados por el ruido y la aleatoriedad de los eventos, lo que lleva a errores en el diagnóstico. Para evaluar el rendimiento del modelo, se utiliza la matriz de confusión para calcular la precisión, sensibilidad, puntuación f1, promedio y AUC-ROC del modelo. Los resultados del experimento demuestran que el modelo propuesto logró un rendimiento sobresaliente, con precisión de 1.00 y 0.99 en los conjuntos de entrenamiento y prueba respectivamente, y puede ser una alternativa rápida y automática para el diagnóstico de arritmias.