Los electrocardiogramas (ECG) desempeñan un papel fundamental en el diagnóstico y la predicción de enfermedades cardiovasculares (CVD). Sin embargo, los métodos tradicionales para la clasificación de ECG implican pasos intrincados de procesamiento de señales, lo que conlleva a altos costos de diseño. Abordando esta preocupación, este estudio presenta la red de Atención Causal Convolucional Multiescala (MSCANet), que utiliza una red neuronal convolucional multiescala combinada con mecanismos de atención convolucional causal para la clasificación de señales de ECG de la base de datos de Arritmia MIT-BIH de PhysioNet. Simultáneamente, el conjunto de datos se equilibra mediante el submuestreo de la clase mayoritaria y el sobremuestreo de la clase minoritaria utilizando la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE), categorizando eficazmente los cinco tipos de latidos cardíacos en el conjunto de datos de prueba. Los resultados experimentales muestran el rendimiento del clasificador, evaluado a través de la precisión, sensibilidad y puntuación F1, culminando en una precisión global del 99.35%, precisión del 96.55%, sensibilidad del 96.73% y una puntuación F1-recall del 96.63%, superando a los métodos existentes. Simultáneamente, la aplicación de esta innovadora técnica de equilibrio de datos aborda significativamente el problema del desequilibrio de datos. En comparación con los datos antes del equilibrio, hubo una mejora significativa en la precisión para la clase S y la clase F, con aumentos de aproximadamente el 8% y el 13%, respectivamente.