El monitoreo preciso de la frecuencia respiratoria en recién nacidos prematuros es esencial para iniciar intervenciones médicas según sea necesario. Las tecnologías con cable pueden ser invasivas y obtrusivas para los pacientes. Proponemos un sistema de monitoreo portátil habilitado para aprendizaje profundo para recién nacidos prematuros, donde la cesación respiratoria se predice utilizando señales que se recopilan de forma inalámbrica desde un Bellypatch portátil no invasivo colocado en el cuerpo del bebé. Proponemos un proceso de diseño de cinco etapas que implica la recopilación y etiquetado de datos, escalado de características, selección de modelo de aprendizaje profundo con ajuste de hiperparámetros, entrenamiento y validación del modelo, y prueba y despliegue del modelo. El modelo utilizado es una arquitectura de red neuronal convolucional 1-D (1DCNN) con una capa de convolución, una capa de agrupación y tres capas totalmente conectadas, logrando una precisión de clasificación del 97.15%. Para abordar las limitaciones energéticas del procesamiento portátil, se exploran varias técnicas de cuantificación, y se analiza su rendimiento y consumo de energía para la tarea de clasificación respiratoria. Los resultados demuestran una reducción de la huella energética y la sobrecarga de almacenamiento del modelo con una degradación considerable de la precisión de clasificación, lo que significa que la cuantificación y otras técnicas de compresión de modelos no son la mejor solución para el problema de clasificación respiratoria en dispositivos portátiles. Para mejorar la precisión mientras se reduce el consumo de energía, proponemos una solución de clasificación respiratoria basada en una red neuronal de disparo (SNN) novedosa, que puede implementarse en plataformas de hardware neuromórfico basadas en eventos. Con este fin, proponemos un enfoque para convertir las operaciones analógicas de nuestro 1DCNN entrenado de referencia a su equivalente de disparo. Realizamos una exploración del espacio de diseño utilizando los parámetros del SNN convertido para generar soluciones de inferencia con diferentes precisión y huellas energéticas. Seleccionamos una solución que logra una precisión del 93.33% con una energía 18 veces menor en comparación con el modelo de 1DCNN de referencia. Además, la solución SNN propuesta logra una precisión similar al modelo cuantizado con una energía 4 veces menor.