La evaluación de la señal del electrocardiograma (ECG) se utiliza rutinariamente en clínicas como un método diagnóstico significativo para detectar arritmias. Sin embargo, es muy laborioso evaluar externamente las señales de ECG debido a su pequeña amplitud. El uso de métodos automatizados de detección y clasificación en la clínica puede ayudar a los médicos a realizar diagnósticos precisos y expeditos de enfermedades. En este estudio, desarrollamos un método de clasificación para arritmias basado en la combinación de una red neuronal convolucional y memoria a corto plazo, que luego se utilizó para diagnosticar ocho señales de ECG, incluido un ritmo sinusal normal. Los datos de ECG del experimento se derivaron de la base de datos de arritmias MIT-BIH. El método experimental consistió principalmente en dos partes. Los datos de entrada del modelo eran imágenes en escala de grises bidimensionales convertidas a partir de señales unidimensionales, y la detección y clasificación de los datos de entrada se realizó utilizando el modelo combinado. La ventaja de este método es que no requiere realizar extracción de características o filtrado de ruido en la señal de ECG. Los resultados experimentales mostraron que el método implementado demostró un alto rendimiento de clasificación en términos de precisión, especificidad y sensibilidad, que fueron del 99.01%, 99.57% y 97.67%, respectivamente. Nuestro modelo propuesto puede ayudar a los médicos a detectar con precisión arritmias durante el cribado rutinario de ECG.