الإشارة الكهربائية القلبية (ECG) هي أداة شائعة وفعالة لدراسة وظائف القلب وتشخيص العديد من الاضطرابات الإيقاعية غير الطبيعية. رغم التحسينات الملحوظة في طرق تصنيف الاضطرابات القلبية، فإنها لا تزال غير قادرة على تقديم أداء مقبول في اكتشاف حالات القلب المختلفة، خاصة عند التعامل مع مجموعات بيانات غير متوازنة. في هذا البحث، نقترح حلًا لمعالجة هذه القيود الحالية للطرق التصنيفية من خلال تطوير طريقة تصنيف نبضات القلب تلقائيًا باستخدام شبكات العصبونات العميقة المتشابكة (Deep Convolutional Neural Networks) ونماذج التحويل من تسلسل إلى تسلسل (Sequence to Sequence Models). قمنا بتقييم الطريقة المقترحة على قاعدة بيانات الاضطرابات القلبية MIT-BIH، مع الأخذ بعين الاعتبار النماذج داخل المرضى (Intra-patient) والنماذج بين المرضى (Inter-patient)، ومعيار AAMI EC57. أظهرت نتائج التقييم لكلا النموذجين أن طرقتنا حققت أفضل الأداء الموثق في الأدبيات العلمية (معدل التنبؤ الإيجابي 96.46٪ والحساسية 100٪ للفئة S، ومعدل التنبؤ الإيجابي 98.68٪ والحساسية 97.40٪ للفئة F ضمن النموذج داخل المرضى؛ ومعدل التنبؤ الإيجابي 92.57٪ والحساسية 88.94٪ للفئة S، ومعدل التنبؤ الإيجابي 99.50٪ والحساسية 99.94٪ للفئة V ضمن النموذج بين المرضى). يمكن الحصول على كود المصدر من الرابط: https://github.com/SajadMo/ECG-Heartbeat-Classification-seq2seq-model.