La señal de electrocardiograma (ECG) juega un papel clave en el diagnóstico de arritmias, lo cual representará una gran amenaza para la salud humana. Como método efectivo de extracción de características, el aprendizaje profundo ha mostrado excelentes resultados en el procesamiento de señales de ECG. Sin embargo, la mayoría de estos métodos descuidan la cooperación entre la correlación de series de ECG de múltiples derivaciones y los patrones temporales intra-serie. En este trabajo, se propone un enfoque de análisis y decisión colaborativo de múltiples dominios, que hace que la clasificación y el diagnóstico de arritmias sean más precisos. Con esta decisión, podemos realizar la transición del dominio espacial al dominio espectral, y del dominio temporal al dominio de frecuencia, y hacer posible que las señales de ECG puedan detectarse de manera más clara mediante módulos de aprendizaje convolucional y secuencial. Además, en lugar del método previo, en este trabajo se utiliza el mecanismo de autoatención para aprender la matriz de relación entre las secuencias de forma automática. Realizamos experimentos extensos con ocho modelos avanzados en el mismo campo para demostrar la efectividad de nuestro método.