Antecedentes: las enfermedades cardiovasculares (ECV), que abarcan problemas cardíacos y de los vasos sanguíneos, se sitúan como la principal causa de mortalidad global para muchas personas. Métodos: el presente estudio tiene la intención de realizar la discriminación entre siete ECV bien conocidas (bloqueo de rama, miocardiopatía, miocarditis, hipertrofia miocárdica, infarto de miocardio, enfermedad valvular del corazón y disritmia) y un grupo de control sano, respectivamente, alimentando un conjunto de modelos de aprendizaje automático (ML) con 10 características no lineales extraídas cada 1 s de señales de electrocardiografía (ECG) de un conocido base de datos de ECG (base de datos de ECG diagnóstico PTB) utilizando análisis multi-banda realizado por transformada wavelet discreta (DWT). Los modelos de ML fueron entrenados y probados utilizando un enfoque de validación cruzada de dejar uno fuera, evaluando las capacidades individuales y combinadas de las características, por cada derivación o combinadas, para distinguir entre los pares de grupos de estudio y para realizar un análisis completo de todos contra todos. Resultados: los resultados de la discriminación oscilaron entre 73% y 100%, los entre 68% y 100%, y los entre 0,42 y 1. Conclusiones: los resultados sugieren que nuestro método es una buena herramienta para distinguir ECV, ofreciendo ventajas significativas sobre otros estudios que utilizaron el mismo conjunto de datos, incluyendo un grupo de comparación multiclase (todos contra todos), un rango más amplio de comparaciones binarias y el uso de análisis no lineal clásico bajo análisis multi-banda de ECG realizado por DWT.