In this paper, we propose a multi-stage electrocardiogram (ECG) classifier for distributed machine learning (ML) inferencing across the edge-cloud continuum for wearable systems. Traditionally, biomedical data acquired from wearable systems are processed in one step, using a single-stage classifier deployed either on a cloud or on an edge device. Though there are merits, both approaches have limitations that relate to computational complexity, network connectivity, etc. In this work, we propose a multi-stage, cascaded, ensemble classifier that aims to address these limitations by decentralizing the processing steps, while achieving good overall performance. We employed low-complexity, explainable boosting machines (EBM) and convolutional neural networks (CNN) to develop a multi-stage distributed ECG classifier, which achieves a high-sensitivity binary classification on the edge device and a more comprehensive multi-class classification on the cloud. In standalone performance evaluation using the MIT-BIH Arrhythmia database, the Stage-1 EBM classifier and Stage-2 CNN classifier achieved a maximum accuracy, sensitivity of 96.71%, 96.76%, and 99.49%, 98.19% respectively. Further, the distributed multi-stage classifier achieved a maximum cumulative binary classification accuracy, sensitivity of 99.64%, 99.01%, and multi-class classification accuracy, sensitivity of 99.56%, 98.79% when DtC equals 40%. Further, we evaluated the use of the EBM classifier threshold as a control parameter to dynamically vary the system performance and network traffic based on real-time conditions. We verified the feasibility of the model, calculated the energy consumption, and estimated the latency. When streaming only 40% of the data to the cloud, it will result in 60% latency saving. With the proposed technique, energy consumption is reduced by approximately 3 times.

Electrocardiogram (ECG) feature extraction is becoming increasingly important in the biomedical field. In deep learning studies centred on ECG data, established methods mainly rely on labelled signals. However, obtaining high-quality labelled records from open-source datasets is challenging, whereas many unlabeled data remain underutilized. Unsupervised pre-training methods have shown significant efficacy in utilizing datasets and improving performance. Therefore, incorporating unsupervised pre-training paradigms into ECG feature extraction is a strategic choice. This paper presents an unsupervised pre-training framework based on the Masked Autoencoder for extracting ECG signal features. An encoder-decoder framework is designed to recover artificially masked ECGs. During the reconstruction process, the framework can learn knowledge from masked samples. Benefiting from the utilization of large-scale datasets and the reconstruction design, the framework is general and has a high level of performance across a wide range of tasks. In particular, the framework achieves an accuracy of 95.6% on the MITDB dataset for the ECG arrhythmia classification task and 98.8% on the ECGIDDB dataset for the human identification task. Our method introduces novel strategies for training on large-scale unlabeled data. Empirical evaluations, including multiple downstream tasks and comparisons with the state of the art, confirm the validity of our proposed approach.