Elektrokardiogramm (EKG) Signale werden häufig zur Diagnose verschiedener Herzfehler verwendet. Kürzlich zeigten tiefen Lernmodelle erste Erfolge bei der Modellierung von EKG-Daten, sind aber größtenteils Black-Box-Modelle und daher für die klinische Anwendung wenig interpretierbar. In dieser Arbeit schlagen wir MultIlevel kNowledge-guided Attention Netzwerke (MINA) vor, die Herzerkrankungen aus EKG-Signalen mit intuitiven Erklärungen, die medizinischem Wissen entsprechen, vorhersagen. Durch die separate Extraktion von mehrstufigen (Schlag-, Rhythmus- und Frequenzstufe) Domänenwissensmerkmalen kombiniert MINA das medizinische Wissen und die EKG-Daten über ein mehrstufiges Aufmerksamkeitsmodell, wodurch die gelernten Modelle hochgradig interpretierbar werden. Unsere Experimente zeigten, dass MINA in einem realen EKG-Datensatz einen PR-AUC von 0,9436 erreichte (was eine Verbesserung um 5,51 % gegenüber dem besten Baseline-Modell darstellt). Schließlich zeigte MINA auch eine robuste Leistung und starke Interpretierbarkeit bei Signalverzerrungen und Rauschbeeinflussungen.