Diseñar sistemas avanzados de monitoreo de salud sigue siendo un tema de investigación activo. Los dispositivos de monitoreo portátiles y remotos permiten monitorear parámetros fisiológicos y clínicos (frecuencia cardíaca, frecuencia respiratoria, temperatura, etc.) y realizar análisis utilizando aplicaciones de aprendizaje automático centradas en la nube y sistemas de apoyo a decisiones para predecir estados clínicos críticos. Este artículo pasa de un concepto totalmente centrado en la nube a uno más distribuido, transfiriendo tareas de procesamiento y análisis de datos del sensor a los bordes de la red. La solución resultante permite el análisis e interpretación de trazas de datos del sensor dentro del dispositivo portátil para proporcionar alertas accionables sin depender de servicios en la nube. En este artículo, utilizamos un enfoque de aprendizaje supervisado para detectar latidos cardíacos y clasificar arritmias. El sistema utiliza una definición de características basada en ventanas que es adecuada para la ejecución dentro de un procesador embebido multicore asimétrico que proporciona un núcleo dedicado para el emparejamiento de patrones asistido por hardware. Evaluamos el rendimiento del sistema en comparación con varios enfoques existentes, en términos de precisión lograda en la detección de eventos anormales. Los resultados muestran que el sistema embebido propuesto logra una alta tasa de detección que en algunos casos coincide con la precisión de los algoritmos de última generación ejecutados en procesadores estándar.