تشكل عملية تشخيص الأمراض القلبية الوعائية مثل الرجفان الأذيني (AF) إجراءً طويلاً ومرتفع التكلفة، وغالبًا ما يتطلب فحصًا بصريًا لسجّلات التخطيط الكهربائي للقلب (ECG) من قبل خبراء. ولتحسين إدارة المرضى وتقليل تكاليف الرعاية الصحية، يُعد الكشف التلقائي عن هذه الاضطرابات أمرًا بالغ الأهمية. في هذه الدراسة، قمنا بتصنيف مقاطع قصيرة من إشارات ECG إلى أربع فئات: (AF، طبيعي، إيقاعات أخرى، أو ضوضاء)، ضمن مسابقة Physionet/Computing in Cardiology Challenge 2017. وقمنا بمقارنة تصنيف نموذج قائمة على السمات (feature-based classifier) متقدم مع نموذج شبكة عصبية متعددة الطبقات (convolutional neural network). وقد تم تدريب كلا النموذجين باستخدام بيانات المسابقة، مدعومة بقاعدة بيانات إضافية مستمدة من Physionet. حقق النموذج القائم على السمات درجة F1 قدرها 72.0% على مجموعة التدريب (باستخدام تحقق عشري خمس مرات)، و79% على مجموعة الاختبار المخفية. وبالمثل، حقق النموذج الشبكي العصبي متعدد الطبقات 72.1% على قاعدة البيانات الموسعة، و83% على مجموعة الاختبار. وقد أفضى هذا الأسلوب الأخير إلى تحقيق درجة نهائية قدرها 79% في المسابقة. وتُتاح البرامج المطورة والنموذج المُدرّب مسبقًا مجانًا بموجب ترخيص GNU GPLv3.