La diabetes es una condición crónica, y los métodos tradicionales de monitoreo son invasivos, reduciendo significativamente la calidad de vida de los pacientes. Este estudio propone el diseño de un sistema innovador basado en un microcontrolador que realiza la adquisición de ECG en tiempo real y evalúa la presencia de diabetes utilizando una solución de Edge-AI. Un método de preprocesamiento basado en espectrogramas se combina con una Red Neuronal Convolucional Unidimensional (1D-CNN) para analizar las señales de ECG directamente en el dispositivo. Al aplicar la cuantización como técnica de optimización, el modelo equilibra eficazmente el uso de memoria y la precisión, logrando una precisión del 89.52% con una precisión y sensibilidad promedio de 0.91 y 0.90, respectivamente. Estos resultados se obtuvieron con una huella de memoria mínima de 347 kB de flash y 23 kB de RAM, demostrando la idoneidad del sistema para dispositivos integrados portátiles. Además, se desarrolló una PCB personalizada para validar el sistema en un escenario del mundo real. El hardware integra electrónica de alto rendimiento con bajo consumo de energía, demostrando la viabilidad de implementar Edge-AI para la detección de diabetes en tiempo real y no invasiva en entornos con recursos limitados. Este diseño representa un avance significativo en la mejora de la accesibilidad y practicidad del monitoreo de la diabetes.