Selbst-Attention-Modelle sind zu leistungsfähigen Werkzeugen in den Bereichen Computer Vision und Natural Language Processing (NLP) geworden. Ihre Anwendung in der Analyse zeitdiskreter Elektrokardiogramm-(ECG)-Signale bleibt jedoch begrenzt, vor allem aufgrund der geringeren Notwendigkeit globaler Empfangsfelder. In dieser Studie präsentieren wir einen neuartigen Ansatz, der lokale Selbst-Attention nutzt, um Aufgaben der Mehrklassen-Klassifikation mit dem PhysioNet/Computing in Cardiology Challenge 2021-Datensatz zu lösen, der 26 verschiedene Klassen über sechs unterschiedliche Datensätze umfasst. Wir führen ein innovatives Konzept namens „local lead-attention“ ein, um Merkmale innerhalb einer einzelnen Ableitung sowie über mehrere konfigurierbare Ableitungen hinweg zu erfassen. Die vorgeschlagene Architektur erreicht auf dem Validierungsset der Challenge einen F1-Score von 0,521, was einer Verbesserung um 5,67 % gegenüber der Siegerlösung entspricht. Bemerkenswerterweise erzielt unser Modell diesen Leistungsfortschritt mit lediglich einem Drittel der Gesamtanzahl an Parametern – insgesamt 2,4 Millionen Parameter.