El aprendizaje profundo es una técnica prometedora para el análisis de señales bioeléctricas, ya que puede descubrir automáticamente características ocultas a partir de datos sin un conocimiento de dominio sustancial. Sin embargo, entrenar una red neuronal profunda requiere una gran cantidad de muestras etiquetadas. Además, un modelo bien entrenado puede ser sensible al objeto de estudio, y su rendimiento puede deteriorarse bruscamente al transferirse a otros objetos de estudio. Proponemos un enfoque de aprendizaje profundo multitarea para el análisis de señales bioeléctricas para abordar estos problemas. Específicamente, definimos dos escenarios distintos, el y el basados en la motivación y el propósito de las tareas. Para cada escenario, presentamos métodos para descomponer la tarea original y el conjunto de datos en múltiples subtareas y subconjuntos de datos. Correspondientemente, diseñamos redes neuronales profundas con compartición de parámetros genéricos para resolver el problema de aprendizaje multitarea e ilustramos los detalles de implementación con redes neuronales convolucionales de una dimensión (CNN 1D), redes neuronales recurrentes básicas (RNN), redes neuronales recurrentes con unidades de memoria a corto y largo plazo (LSTM) y redes neuronales recurrentes con unidades recurrentes con compuertas (GRU). En estos dos escenarios, realizamos experimentos extensos en cuatro bases de datos de electrocardiogramas (ECG). Los resultados demuestran los beneficios de nuestro enfoque, mostrando que nuestro método propuesto puede mejorar la precisión del análisis de datos de ECG (hasta un 5.2%) en la base de datos de arritmias MIT-BIH.