随着物联网设备被广泛的使用在人体医疗数据的收集上,如何在实际应用中对数据进行实时地采集和分析,并进行有效实时地诊断和反馈成为了一个极具挑战性的问题。边缘计算和深度学习等技术的日渐成熟为解决这一难题提供了有力的支撑。心电图是临床最常用的检查之一,应用广泛。当前,随着深度学习在心电领域的研究中被应用,使心电图的自动检测取得了长足的进步。但基于云平台的深度学习模型在实时心电监测的实际应用中仍然存在着可用性不高的问题,无法达到类似于血压、脉搏这一类的日常监测的标准。在上述背景下,本文围绕当前智慧医疗架构无法满足物联网时代背景下的心电图实时诊断和心电数据严重不均衡这两个问题,完成的主要工作如下:（1）提出了一种名为EdgeCNN的基于边缘计算和云计算的新型智慧医疗混合架构。该架构可以从边缘设备灵活地学习医疗数据。具体来说,深度学习模型被部署在边缘设备上运行,从而使实时分析和诊断更接近物联网数据源。这可以显着减少学习延迟和网络I/O,减轻大型用户组和海量数据在云平台上的压力,并大大降低构建和维护云平台的成本。（2）依托EdgeCNN架构,本文设计了一种基于卷积神经网络（CNN）的精简高效的心电图边缘计算诊断模型和学习算法,并成功将其部署在了EdgeCNN混合架构下的边缘设备上。使得模型可以在离数据源更近的地方对心电图进行实时推断,并在诊断精度和资源损耗上获得了一个较好的平衡。实验结果表明,与仅基于云计算的架构相比,EdgeCNN不仅在确保了合理准确度的前提下,还在诊断延迟、网络I/O、应用程序可用性和资源成本方面都具有明显优势,更为重要的是,它可以有效地保护IoT设备用户数据的隐私。（3）针对心电研究中原始数据的严重缺乏和不均衡,从而导致当前的心电诊断仅局限于少数的几种类别的问题,本文提出了一种利用DCGAN对心电数据进行数据增强的方法。DCGAN是一种稳定的基于CNN扩展的生成对抗网络架构,其在非监督学习上有着非常高的可信度。数据增强能够为以EdgeCNN架构为依托的心电诊断提供足够的数据数量和类别。实验结果表明,在对心电数据的相关类别进行数据增强后,不仅提升了深度学习模型的整体准确度,还使得模型能够诊断的心电图类别得到了很大的扩充,大大的提升了系统的实际可用性。