La detección temprana y precisa de la fibrilación auricular (FA) es fundamental para una intervención oportuna y la reducción de riesgos asociados. La tecnología wearable ha surgido como una solución viable para el monitoreo continuo de la FA, pero la implementación de modelos precisos de detección en dispositivos con recursos limitados sigue siendo un desafío debido a las altas demandas computacionales y de memoria. Este estudio propone un enfoque de aprendizaje profundo ligero y eficiente para el diagnostico en tiempo real de la FA en dispositivos portátiles. Diseñamos una serie de modelos de redes neuronales convolucionales (CNN) optimizados para alcanzar alta precisión a la vez que mantenían un bajo costo computacional. Para mejorar aun mas la eficiencia, exploramos técnicas de compresión de aprendizaje profundo, incluyendo poda, cuantización y destilación de conocimiento. Nuestros resultados demuestran que los modelos propuestos logran una precisión de ultima generación mientras reducen significativamente el uso de memoria y la complejidad computacional, lo que los hace adecuados para su implementación en dispositivos de borde. Además, validamos su viabilidad implementándolos en un microcontrolador, demostrando su su aplicabilidad en wearables. Esta investigación abre el camino para una detección de FA accesible, de bajo consumo y de alta precisión en entornos reales, permitiendo un diagnostico temprano y una intervención medica oportuna sin necesidad de supervisión clínica continua.