本研究では、心血管疾患の早期兆候やリスク要因を検出するためのボディウエアセンサー装置、特にセンサーパッチを用いた心血管モニタリングの重要性を強調しています。センサーデータの分析は、堅牢で信頼性が高く、効率的かつ高精度である必要があり、深層学習手法を活用してデータ解釈を自動化することで臨床医の負荷を軽減できます。本稿では、同時記録された心電図（ECG）と心音図（PCG）の分類問題に深層学習モデルを適用する実現可能性を分析し、早期融合を用いた畳み込みニューラルネットワークを提案しています。Physionet Challenge 2016のデータセットを用いてモデルを訓練、検証した結果、最新技術に比べてメモリ使用量と計算コストを大幅に削減しつつ、競争力のある精度を維持できることを示しました。また、マイクロコントローラーや実験センサー装置でのエネルギー消費を分析し、デバイス上での推論が連続データのストリーミングよりもエネルギー効率が良いことを確認しました。