El análisis de las señales de sonido cardíaco presenta un enfoque novedoso para el diagnóstico temprano de enfermedades cardíacas congénitas pediátricas. Los algoritmos de segmentación existentes tienen limitaciones para distinguir con precisión los primeros (S1) y segundos (S2) sonidos cardíacos, lo que limita la utilidad diagnóstica de los datos del ciclo cardíaco para la evaluación de patologías pediátricas. Este estudio propone una red neuronal de memoria a largo plazo bidireccional en el tiempo (TBLSTM) basada en análisis multiescala para segmentar las señales de sonido cardíaco pediátrico según diferentes ciclos cardíacos. Los coeficientes cepstrales de frecuencia Mel y las características dinámicas de los fragmentos de sonido cardíaco fueron extraídos e introducidos en un bosque aleatorio para la clasificación múltiple de enfermedades cardíacas congénitas. El modelo de segmentación logró un puntaje F1 general del 94.15% en el conjunto de verificación, con puntajes F1 específicos del 90.25% para S1 y del 86.04% para S2. En una situación donde el número de ciclos cardíacos en los fragmentos de sonido cardíaco se estableció en seis, los resultados para la clasificación múltiple lograron estabilizarse. Las métricas de rendimiento para esta configuración fueron las siguientes: precisión del 94.43%, sensibilidad del 95.58% y un puntaje F1 del 94.51%. Además, el modelo de segmentación demuestra robustez para segmentar con precisión las señales de sonido cardíaco pediátrico en diferentes frecuencias cardíacas y en presencia de ruido. Es importante destacar que el número de ciclos cardíacos en los fragmentos de sonido cardíaco impacta directamente en la clasificación múltiple de estas señales de sonido cardíaco.