심혈관 질환은 전 세계적으로 사망 원인 1위이며, 부정맥과 같은 상태는 효과적인 탐지 및 진단을 위해 장기간 모니터링이 필요합니다. 하지만 현재의 웨어러블 모니터링 기기는 크고 불편하며, 일반적으로 임상의가 심전도(ECG)를 수동으로 평가하는 데 의존합니다. Deep Learning (DL) 알고리즘은 부정맥 탐지 및 분류에서 우수한 성능을 보여왔지만, 이들의 계산 복잡성과 높은 전력 소비는 웨어러블 기기에서의 배포를 제한합니다. 이러한 문제를 해결하기 위해 본 논문에서는 허용 가능한 분류 성능을 유지하면서 DL 아키텍처의 전력 및 에너지 소비를 줄이기 위한 근사화(approximation) 기술의 사용을 연구합니다. 구체적으로, 데이터 정밀도 감소와 근사 곱셈과 같은 기술들이 최신 DL 모델과 이에 상응하는 하드웨어 아키텍처에서 조사되었습니다. 이 모델은 MIT-BIH Arrhythmia Database를 사용하여 훈련 및 검증되었으며, 다양한 근사 승산기(approximate multipliers)를 사용하는 하드웨어 구현이 합성되고 평가되었습니다. 기존 최신 참고 아키텍처의 8.75 μW (및 2.08 μJ)와 비교하여, 제안된 아키텍처는 12 kHz에서 3.07 μW (및 2.17 μJ)를 소비하며 전력 소비가 64.9% 감소하는 것을 보여주었고, 동시에 허용 가능한 출력 품질(즉, 93.7%의 분류 정확도 및 92.1%의 민감도)을 제공했습니다. 100 MHz에서 제안된 아키텍처는 9.45 mW (및 0.8 μJ)를 소비하며, 최신 아키텍처와 비교하여 에너지 소비가 61.5% 감소하는 것을 보여주었습니다. 이러한 결과들은 제안된 근사화 기술들이 필요한 부정맥 분류 성능을 유지하면서 웨어러블 기기의 배터리 수명을 크게 연장함을 입증합니다.