Un método para analizar con precisión electrocardiogramas (ECG), obtenidos a partir de señales eléctricas generadas por la actividad cardíaca, es esencial en el diagnóstico de enfermedades cardíacas. Sin embargo, los ritmos suelen obtenerse con relativamente pocos datos de muestra y características similares, lo que dificulta su clasificación. Para resolver estos problemas, propusimos un método novedoso que distingue un ritmo de ECG dado utilizando una imagen de mapa de puntuación de latidos (BSM). A través del método propuesto, se consideraron las asociaciones entre latidos y características utilizadas previamente, como el intervalo R-R. La clasificación de ritmos se implementó entrenando un modelo de red neuronal convolucional y utilizando aprendizaje por transferencia con la imagen BSM creada. Como resultado, el método propuesto para ritmos de ECG con pocas muestras de datos mostró resultados significativos. También demostró un buen rendimiento en la diferenciación de los ritmos de fibrilación auricular (FA) y aleteo auricular (AFL), que son difíciles de distinguir debido a sus características similares. El rendimiento para ritmos con un número reducido de muestras del método propuesto es un 20% mejor que un método existente. Además, el rendimiento basado en la puntuación F-1 para clasificar FA y AFL del método propuesto es un 30% mejor que el método existente. Este estudio resolvió las limitaciones anteriores causadas por el pequeño número de muestras y ritmos similares.