心電図（ECG）は、循環器系の機能を監視するための信頼性のある測定手段として使用することができます。最近、心拍の正確な分類に大きな関心が寄せられています。異なるECG状態には多くの共通点がありますが、多くの研究では、特定のタスクのためにアノテーションされたデータセット上の一連の状態を分類することに焦点を当てており、異なるタスク間での転移可能な知識の学習や応用にはあまり重点が置かれていません。本論文では、深層畳み込みニューラルネットワークに基づく心拍分類手法を提案します。この手法はAAMI EC57規格に従って5種類の不整脈を正確に分類することができます。さらに、このタスクで獲得した知識を心筋梗塞（MI）分類タスクへ転移させる手法も提案します。提案手法はPhysionNetのMIT-BIHおよびPTB診断データセットで評価されました。結果によると、提案手法は不整脈分類において平均93.4%、心筋梗塞分類において平均95.9%の精度で予測を行うことができました。