下一代智慧健康監測：穿戴式心電圖的邊緣運算關鍵技術

本演講聚焦於邊緣智能與深度學習技術於穿戴式心電圖（ECG）系統的嵌入式應用實踐。透過開發 YOLO-LC 與 1D-SEmbedNet 等輕量化模型，成功在 STM32 與 Jetson 平台上進行即時異常心律辨識與可視化。模型採用 MIT-BIH 與 PTB-XL 資料庫訓練，支援 5～9 類心律分類，並導入 Grad-CAM 提升臨床解釋性。在實務應用上，系統已整合 Whaleteq 與 BROADSIMS 設備進行資料模擬與實機測試，達成高準確度（mAP@0.5 達 0.9973）、低延遲（最短 125 ms）及高部署彈性。研究並延伸至睡眠呼吸中止與心房顫動的聯合偵測，展示穿戴式 AI 於慢性疾病早期預警的潛力。本成果為醫療裝置智慧升級與遠距照護提供具體技術實踐方案