En el monitoreo de salud portátil basado en la compresión de datos, la detección de fibrilación auricular directamente desde el ECG comprimido puede reducir efectivamente el costo de tiempo del procesamiento de datos en lugar de la clasificación después de la reconstrucción. Sin embargo, los métodos existentes para la detección de fibrilación auricular a partir del ECG comprimido no se beneficiaron completamente de la información previa existente, lo que resultó en un rendimiento de clasificación insatisfactorio, especialmente en algunas aplicaciones que requieren una alta relación de compresión (CR). En este artículo, proponemos un método de aprendizaje profundo para detectar fibrilación auricular directamente desde el ECG comprimido sin reconstrucción. Específicamente, diseñamos un modelo de red profunda para señales de ECG unidimensionales, y la matriz de medición se utiliza para inicializar la primera capa del modelo, de modo que el modelo propuesto pueda obtener más información previa que beneficia la mejora del rendimiento de clasificación de la detección de fibrilación auricular a partir del ECG comprimido. Los resultados experimentales en la Base de Datos de Fibrilación Auricular MIT-BIH muestran que cuando la CR es del 10%, la precisión y el puntaje F1 del método propuesto alcanzan el 97.52% y el 98.02%, respectivamente. En comparación con la detección de fibrilación auricular a partir del ECG original, la precisión y el puntaje F1 correspondientes solo se reducen en un 0.88% y un 0.69%. Incluso con una alta CR del 90%, la precisión y el puntaje F1 aún solo se reducen en un 6.77% y un 5.31%, respectivamente. Todos los resultados experimentales demuestran que el método propuesto es superior a otros métodos existentes para la detección de fibrilación auricular a partir del ECG comprimido. Por lo tanto, el método propuesto es prometedor para la detección de fibrilación auricular en el monitoreo de salud portátil basado en la compresión de datos.