Visualizar el proceso de toma de decisiones es un aspecto clave de la investigación sobre el reconocimiento explicativo de la arritmia. Este estudio propuso un método de selección de derivaciones visualizadas para clasificar la arritmia en señales de ECG de múltiples derivaciones. El método propuesto tiene varias ventajas, ya que utiliza un enfoque visual para seleccionar derivaciones efectivas, evitando derivaciones redundantes e información inválida. También captura las dependencias temporales de las señales de ECG y la información complementaria entre las derivaciones. El método desplegó un mapa de activación de derivaciones (LA heatmap) basado en una red por derivación para seleccionar las 5 derivaciones adecuadas de los latidos cardíacos de ECG de 12 derivaciones extraídos de la base de datos del Desafío de Señales Fisiológicas Chinas 2018 (CPSC 2018 DB), los cuales luego se introdujeron en una red ResBiTime que combina redes LSTM bidireccionales de memoria a corto y largo plazo (Bi-LSTM) y conexiones residuales para una tarea de clasificación de nueve categorías de latidos cardíacos (es decir, N, FA, I-AVB, RBBB, PAC, PVC, STD, LBBB y STE). Los resultados indican una precisión promedio del 93,25%, una recuperación promedio del 93,03%, un puntaje F1 promedio de 0,9313, y que el método propuesto puede extraer efectivamente información adicional de los datos de latidos cardíacos de ECG.