A fibrilação atrial (FA) representa a arritmia cardíaca mais prevalente globalmente, com estimativas entre 37,6 a 60 milhões de casos, projetando-se um aumento significativo até 2050, podendo atingir 6-12 milhões de pessoas nos Estados Unidos, 17,9 milhões na Europa e mais de 70 milhões na Ásia. Este trabalho propõe a caracterização do eletrocardiograma utilizando a combinação das técnicas de Autocorrelação e TinyML (Tiny Machine Learning). A metodologia emprega dois datasets públicos abrangentes: o Chapman-Shaoxing, que contém registros de ECG de 10 segundos de mais de 10.000 pacientes com taxa de amostragem de 500 Hz, incluindo 11 ritmos cardíacos e 67 condições cardiovasculares adicionais; e o PTB-XL, que compreende 21.837 registros de ECG de 12 derivações de 18.885 pacientes, com distribuição equilibrada entre gêneros e ampla faixa etária. A abordagem metodológica integra o processamento na borda através do TinyML, que permite a implementação de modelos de machine learning em dispositivos de baixo consumo energético, enfrentando desafios como limitação de memória e capacidade computacional restrita. O processamento inicial dos dados inclui a conversão de códigos SCP, agregação de diagnósticos em superclasses e filtragem específica dos ritmos cardíacos, com foco na análise da derivação I dos ritmos Sinusal Normal (SR) e Fibrilação Atrial (AFIB). Este estudo em desenvolvimento busca contribuir para o avanço das técnicas de diagnóstico e monitoramento da fibrilação atrial, com potencial aplicação em dispositivos médicos portáteis e sistemas de saúde inteligentes.