Die Klassifizierung von Arrhythmien stellt für den Menschen eine anspruchsvolle Aufgabe dar, weshalb eine Automatisierung dieses Prozesses von großem Interesse ist. Dennoch ist die vollständig automatisierte Klassifizierung von Arrhythmien mittels Elektrokardiogramm (ECG)-Signalen eine herausfordernde Aufgabe, insbesondere im Kontext des inter-patienten-Paradigmas. Bei diesem Paradigma werden Klassifizierer an Signalen unbekannter Patienten evaluiert, was der realen klinischen Situation entspricht. In dieser Arbeit untersuchen wir eine neuartige ECG-Darstellung basierend auf dem Vektor-Kardiogramm (VCG), das sogenannte zeitliche Vektor-Kardiogramm (TVCG), zusammen mit einem komplexen Netzwerk zur Merkmalsextraktion. Zudem optimieren wir den SVM-Klassifizierer durch Feinabstimmung und führen eine Merkmalsauswahl mittels eines Partikelschwarm-Optimierungs-Algorithmus (PSO) durch. Die Ergebnisse im inter-patienten-Paradigma zeigen, dass die vorgeschlagene Methode Ergebnisse erzielt, die mit dem Stand der Technik im MIT-BIH-Datenbank vergleichbar sind (53 % positiver Vorhersagewert (+P) für die Klasse supraventrikulärer Extrasystolen (S) und 87,3 % Sensitivität (Se) für die Klasse ventrikulärer Extrasystolen (V)). Diese Ergebnisse belegen, dass TVCG eine reichhaltigere Darstellung des Herzschlags darstellt und potenziell nützlich für Probleme im Bereich der kardialen Signale und Mustererkennung sein kann.Quellcode verfügbar unter http://www.decom.ufop.br/csilab/site_media/uploads/code/tvcg_pso.zip