En el campo en constante evolución del diagnóstico médico, la interpretación precisa y oportuna de las señales de electrocardiograma (ECG) del latido del corazón se ha vuelto cada vez más crucial. A pesar de la presencia de avances recientes, hay una necesidad apremiante de mejorar la precisión de las metodologías existentes, especialmente dadas las profundas implicaciones que tales interpretaciones pueden tener en el pronóstico del paciente. Con este fin, presentamos un nuevo conjunto que comprende modelos de Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM) y Redes Neuronales Convolucionales (CNN) para permitir la clasificación mejorada de las señales de ECG del latido del corazón. Nuestro enfoque se basa en la excepcional capacidad de aprendizaje de datos secuenciales de LSTM y en la intrincada fuerza de reconocimiento de patrones de CNN. Se integran métodos avanzados de procesamiento de señales para mejorar la calidad de las señales de ECG en bruto antes de alimentarlas al modelo de aprendizaje profundo. Las evaluaciones experimentales en conjuntos de datos de ECG de referencia demuestran que nuestro modelo de conjunto propuesto supera a otros modelos de aprendizaje profundo de última generación. Logra una sensibilidad del 94,52%, una especificidad del 96,42% y una precisión del 95,45%, destacando sus métricas de rendimiento superiores. Este estudio presenta una herramienta prometedora para reforzar el diagnóstico de enfermedades cardiovasculares, mostrando el potencial de tales técnicas para avanzar en la atención médica preventiva.