Este documento se refiere al método de usar la red neuronal profunda de memoria a largo plazo (LSTM) para el problema de clasificación de señales de electrocardiograma (ECG). Las señales de ECG contienen mucha información sutil analizada por médicos para determinar el tipo de disfunción cardíaca. Debido al gran número de características de la señal que son difíciles de identificar, los datos de ECG en bruto generalmente no son adecuados para su uso en el aprendizaje automático. El artículo presenta cómo transformar series temporales individuales de ECG en imágenes espectrales para las cuales se determinan dos características, que son la frecuencia instantánea y la entropía espectral. La extracción de características consiste en convertir la señal de ECG en una serie de imágenes espectrales utilizando la transformación de Fourier a corto plazo. Luego, las imágenes se convirtieron nuevamente utilizando la transformación de Fourier en dos señales, que incluyen frecuencia instantánea y entropía espectral. El conjunto de datos transformado de esta manera se utilizó para entrenar la red LSTM. Durante los experimentos, las redes LSTM se entrenaron tanto para datos en bruto como para datos transformados espectralmente. Luego, las redes LSTM entrenadas de esta manera se compararon entre sí. Los resultados obtenidos demuestran que la transformación de las señales de entrada en imágenes puede ser un método efectivo para mejorar la calidad de los clasificadores basados en aprendizaje profundo.