الإشارات الكهروقلبية (ECG) تُستخدم بشكل شائع في تشخيص مختلف الاضطرابات القلبية. مؤخرًا، أظهرت نماذج التعلم العميق نجاحًا أوليًا في نمذجة بيانات ECG، ومع ذلك فهي غالبًا ما تكون صناديق سوداء، مما يفتقر إلى القابلية للشرح المطلوبة للاستخدام السريري. في هذا العمل، نقترح شبكات الانتباه الموجهة بالمعارف المتعددة المستويات (MINA) التي تتوقع أمراض القلب من الإشارات الكهروقلبية مع تفسير بديهي متوافق مع المعرفة الطبية. من خلال استخراج خصائص المعرفة المجالية على مستويات متعددة (مستوى النبضة، وتيرة القلب، والتردد) بشكل منفصل، تقوم MINA بدمج المعرفة الطبية وبيانات ECG عبر نموذج انتباه متعدد المستويات، مما يجعل النماذج المعتمدة عالية القابلية للشرح. أظهرت تجاربنا أن MINA حققت قيمة PR-AUC قدرها 0.9436 (بتقدم بنسبة 5.51% على أفضل نموذج مرجعي) في مجموعة بيانات ECG الحقيقية. وأخيرًا، أثبتت MINA أيضًا أدائها القوي وقدرتها العالية على الشرح في مواجهة التشوه والإشارة الملوثة بالضوضاء.