伴隨式心電監護能夠有效地降低心臟病患者發生危險和死亡的概率。基于人體傳感器網絡(BSN)的無線心電監護是心功能監測的新方法和有效手段。針對伴隨式心電監護中對節點小型化、低功耗以及良好的監測信號質量的要求，提出了一種50 mm×50 mm×10 mm、30 g的心電監護節點。節點包括單片心電模擬前端AD8232、超低功耗微處理器MSP430F1611及低功耗藍牙模塊HM-11；實時數字濾波保證了監測心電的信號質量；通過設計的差分閾值R波檢測算法可準確地得到心律指標。節點功耗評估以及實際信號采集實驗驗證了節點功能。提出的節點在伴隨式心電監護中具有較好的應用前景。
心血管疾病和心理障礙已成為威脅人類身心健康的兩大主要問題。盡管基于心電圖信號的研究為解決這些問題提供了重要契機，但在心電特征的理解以及跨任務知識遷移方面，現有方法仍面臨性能瓶頸和適用性不足等挑戰。為此，本文設計了一種基于殘差網絡的多分辨率特征編碼網絡，能夠有效提取心電信號的局部形態特征與全局節律特征，增強特征表達能力。此外，提出的基于模型壓縮的持續學習方法通過將簡單任務中的結構化知識逐步傳遞到復雜任務，可有效提升下游任務性能。多分辨率學習模型在心電QRS波群檢測、心律失常分類和情緒分類等五個數據庫上取得了超越或與當前先進算法相當的性能。持續學習方法在跨領域、跨任務和數據增量的場景下都取得了相較于常規訓練方法的顯著提升，證明了所提出方法對于心電跨任務知識遷移的能力，為心電多任務學習提供了新路徑。
心電監測在心血管疾病診斷、預防、康復中具有重要的臨床價值。隨著物聯網、大數據、云計算、人工智能（AI）等科技的快速發展，穿戴式心電正扮演著越來越重要的角色。伴隨人口老齡化進程加劇，心血管病防治模式升級愈發緊迫，利用AI技術輔助臨床解析長程心電進而提高心血管病早期檢測和風險預警能力，成為智慧醫療領域的一個重要方向。穿戴式心電智能監測需要監測終端和云端的協同智能，同時醫療應用場景的明確有助于穿戴式心電監測的精準實施。本文首先總結了心電領域相關的AI技術研究和應用進展，然后通過三個案例闡述了穿戴式心電監測中AI計算如何與臨床進行協同，最后探討了心電AI研究的兩個核心問題——AI技術的可靠性和價值，并展望了心電AI發展的機遇和未來挑戰。