Представлено огляд перспектив використання одновимірних згорткових нейронних мереж (1D CNN) для автоматизованої класифікації кардіосигналів. Проаналізовано ключові параметри ЕКГ-сигналу, необхідні для детекції патологій. Досліджено механіку роботи та архітектуру 1D CNN, висвітлено процес наскрізного навчання, який дозволяє мережі самостійно формувати приховані біомаркери без попереднього ручного маркування зубців P, Q, R, S, T. Зроблено порівняльний аналіз традиційних експертних систем та методів глибокого навчання, де обґрунтовано перевагу 1D CNN в умовах зашумлених даних та мобільного моніторингу. Класичні алгоритми створені для 12-канальних стаціонарних кардіографів у межах стаціонарів, натомість CNN дозволяють отримувати базову інформацію працюючи в одноканальному режимі (зі смарт-годинника чи фітнес-трекера) під час руху людини. Завдяки оптимізації та малим розміром, ці моделі можна розгортати безпосередньо на мікропроцесорах пристроїв, забезпечуючи постійний моніторинг серця 24/7 без необхідності підключення до Інтернету.