Au cours de la dernière décennie, la classification des séries temporelles multivariées a suscité un grand intérêt. Nous proposons de transformer les modèles existants de classification des séries temporelles univariées, le Réseau de Neurones à Mémoire à Court et Long Terme entièrement convolutif (LSTM-FCN) et le LSTM-FCN avec mécanisme d'attention (ALSTM-FCN), en un modèle de classification des séries temporelles multivariées en enrichissant le bloc entièrement convolutif avec un bloc de compression et d'excitation afin d'améliorer encore la précision. Nos modèles proposés surpassent la plupart des modèles de pointe tout en nécessitant un prétraitement minimal. Les modèles proposés fonctionnent efficacement sur diverses tâches complexes de classification des séries temporelles multivariées, telles que la reconnaissance d'activités ou la reconnaissance d'actions. De plus, ces modèles sont hautement performants lors des tests et suffisamment petits pour être déployés sur des systèmes aux ressources mémoire limitées.