Le signal d'électrocardiogramme (ECG) est un outil courant et puissant pour étudier la fonction cardiaque et diagnostiquer plusieurs arythmies anormales. Bien que des progrès remarquables aient été réalisés dans les méthodes de classification des arythmies cardiaques, elles ne peuvent toujours pas offrir une performance acceptable pour détecter différentes conditions cardiaques, en particulier lorsqu'elles traitent des jeux de données déséquilibrés. Dans cet article, nous proposons une solution pour surmonter cette limitation des approches actuelles de classification en développant une méthode de classification automatique des battements cardiaques utilisant des réseaux neuronaux convolutifs profonds et des modèles séquence à séquence. Nous avons évalué la méthode proposée sur la base de données MIT-BIH d'arythmies, en tenant compte des paradigmes intra-patient et inter-patient, ainsi que de la norme AAMI EC57. Les résultats d'évaluation pour les deux paradigmes montrent que notre méthode atteint les meilleures performances rapportées dans la littérature (une valeur prédictive positive de 96,46 % et une sensibilité de 100 % pour la catégorie S, et une valeur prédictive positive de 98,68 % et une sensibilité de 97,40 % pour la catégorie F dans le cadre intra-patient ; une valeur prédictive positive de 92,57 % et une sensibilité de 88,94 % pour la catégorie S, et une valeur prédictive positive de 99,50 % et une sensibilité de 99,94 % pour la catégorie V dans le cadre inter-patient). Le code source est disponible à l'adresse suivante : https://github.com/SajadMo/ECG-Heartbeat-Classification-seq2seq-model.