Enfermedad cardíaca es actualmente la principal causa de muerte en el mundo. El electrocardiograma (ECG) es el registro de la actividad eléctrica generada por el corazón. Su bajo costo y simplicidad lo han convertido en una prueba esencial para monitorear enfermedades cardíacas, especialmente para la identificación de arritmias. Con los avances en tecnología electrónica, hoy en día existen sensores que permiten el registro del ECG durante la vida diaria del paciente y su transmisión inalámbrica a instalaciones de atención médica. Este tipo de información tiene un gran potencial para detectar enfermedades cardíacas en sus etapas tempranas y permitir intervenciones tempranas antes de que la salud del paciente se deteriore. Sin embargo, para explotar de manera útil el gran volumen de información obtenido del ECG ambulatorio, se requieren técnicas de reconocimiento de patrones capaces de analizarlo automáticamente. Las técnicas de extracción de características en tándem han demostrado ser útiles para el procesamiento de parámetros fisiológicos como el electroencefalograma (EEG) y el habla. Sin embargo, hasta donde sabemos, nunca se han aplicado al ECG. En este documento, se estudia la utilidad de la extracción de características en tándem para la identificación de arritmias. Los coeficientes de una regresión utilizando funciones de Hermite se utilizan para crear un vector de características que representa el latido del corazón. Se entrena un perceptrón de múltiples capas (MLP) utilizando estas características y sus salidas de probabilidad posterior se utilizan para extender el vector de características original. Finalmente, se entrena un modelo de mezcla gaussiana (GMM) en los vectores de características extendidos, que luego se utiliza en un sistema de identificación de arritmias basado en GMM. Este enfoque ha sido validado utilizando la base de datos de Arritmias MIT-BIH. La precisión del modelo de mezcla gaussiana aumentó en un 15,8% cuando se aplicó sobre los vectores de características extendidos, en comparación con su aplicación sobre los vectores de características originales, mostrando el potencial de la extracción de características en tándem para el análisis del ECG y la identificación de arritmias.