Das Elektrokardiogramm (EKG) kann zuverlässig als Maß zur Überwachung der Funktionalität des Herz-Kreislauf-Systems verwendet werden. In jüngster Zeit hat es eine große Aufmerksamkeit auf die genaue Kategorisierung von Herzschlägen gegeben. Obwohl zwischen verschiedenen EKG-Bedingungen viele Gemeinsamkeiten bestehen, konzentriert sich der Fokus der meisten Studien darauf, eine Reihe von Bedingungen anhand eines für diese Aufgabe annotierten Datensatzes zu klassifizieren, anstatt übertragbares Wissen zwischen verschiedenen Aufgaben zu erlernen und einzusetzen. In dieser Arbeit schlagen wir eine Methode basierend auf tiefen Faltungsneuralnetzen (Deep Convolutional Neural Networks) vor, die in der Lage ist, fünf verschiedene Arrhythmien gemäß dem AAMI-EC57-Standard genau zu klassifizieren. Darüber hinaus legen wir einen Ansatz vor, um das auf dieser Aufgabe erlernte Wissen auf die Klassifizierung von Myokardinfarkten (MI) zu übertragen. Wir haben die vorgeschlagene Methode anhand der Diagnose-Datensätze MIT-BIH und PTB von PhysioNet evaluiert. Die Ergebnisse zeigen, dass die vorgeschlagene Methode Vorhersagen mit durchschnittlichen Genauigkeiten von 93,4 % bei der Arrhythmieklassifizierung und 95,9 % bei der MI-Klassifizierung treffen kann.