In den letzten zehn Jahren hat die Klassifikation von multivariaten Zeitreihen große Aufmerksamkeit erhalten. Wir schlagen vor, existierende Modelle zur Klassifikation von univariaten Zeitreihen, nämlich das Long Short Term Memory Fully Convolutional Network (LSTM-FCN) und das Attention LSTM-FCN (ALSTM-FCN), in ein Modell zur Klassifikation von multivariaten Zeitreihen zu transformieren, indem wir den vollständig konvolutionellen Block durch einen Squeeze-and-Excitation-Block erweitern, um die Genauigkeit weiter zu verbessern. Unsere vorgeschlagenen Modelle übertreffen die meisten der bislang besten Modelle und erfordern minimalste Vorverarbeitung. Die vorgeschlagenen Modelle arbeiten effizient bei verschiedenen komplexen Klassifikationsaufgaben für multivariate Zeitreihen, wie etwa bei der Aktivitätserkennung oder Aktionserkennung. Darüber hinaus sind die vorgeschlagenen Modelle bei der Testzeit hoch effizient und klein genug, um in Systemen mit begrenztem Speicher bereitzustellen.