La complexité des motifs associés à la fibrillation auriculaire (FA) et le niveau élevé de bruit affectant ces motifs ont considérablement limité les approches actuelles de traitement du signal et d'apprentissage automatique superficiel pour obtenir des résultats de détection de FA précis. Les réseaux neuronaux profonds se sont avérés très puissants pour apprendre les motifs non linéaires dans les données. Bien qu'une approche d'apprentissage profond tente d'apprendre des motifs complexes liés à la présence de FA dans l'ECG, elle peut bénéficier de savoir sur quelles parties du signal il est plus important de se concentrer pendant l'apprentissage. Dans cet article, nous présentons un réseau neuronal profond à deux canaux pour détecter plus précisément la FA présente dans le signal ECG. Le premier canal prend en entrée un signal ECG prétraité et apprend automatiquement où porter son attention pour la détection de la FA. Le deuxième canal prend simultanément en entrée le même signal ECG prétraité afin de prendre en compte toutes les caractéristiques des signaux entiers. Le modèle montre par visualisation quelles parties du signal ECG donné sont importantes à analyser lors de la tentative de détection de la fibrillation auriculaire. De plus, cette combinaison améliore considérablement les performances de la détection de la fibrillation auriculaire (obtenant une sensibilité de 99,53 %, une spécificité de 99,26 % et une précision globale de 99,40 % sur la base de données MIT-BIH de fibrillation auriculaire avec des segments d'ECG de 5 secondes).