Los 12 derivaciones de las señales del electrocardiograma (ECG) muestran las actividades del corazón desde diferentes ángulos de planos coronales y axiales; por lo tanto, las señales de estas 12 derivaciones tienen una dependencia funcional entre sí. Este artículo propone un método novedoso para fusionar los datos de las señales de ECG de 12 derivaciones para diagnosticar problemas cardíacos. En la primera fase del método propuesto, se emplea la transformada tiempo-frecuencia para fusionar los datos funcionales de las derivaciones y extraer los datos de frecuencia de las señales de ECG en 12 derivaciones. Después, su dependencia se evalúa a través del análisis de correlación. En la segunda fase, se adopta un método de aprendizaje estructural para extraer los datos estructurales de estas 12 derivaciones. Además, se codifican modelos de redes neuronales convolucionales profundas (CNN) en esta fase a través de la programación genética. Estos árboles son responsables de aprender características estructurales profundas a partir de datos funcionales extraídos de las 12 derivaciones. Estos árboles se actualizan a través de la ejecución del algoritmo de programación genética (GP) para extraer las características óptimas. Estas dos fases se utilizan juntas para fusionar las derivaciones de las señales de ECG para diagnosticar varios problemas cardíacos. Según los resultados de la prueba en ChapmanECG, que incluyen las señales de 10,646 pacientes, el método propuesto disfruta de una precisión media del 97.60% en el diagnóstico de varios tipos de arritmias en el conjunto de datos de Chapman. También superó a los métodos de vanguardia.