Dữ liệu: thu thập từ các cảm biến đeo tại cổ chân, ngực và cổ tay; gồm 12 loại vận động như đi bộ, chạy, ngồi, nằm, gập người, nâng tay, đạp xe, nhảy…

• Mô hình Convo-GRU:
•   + CNN 1D trích xuất đặc trưng cục bộ từ chuỗi thời gian
•   + GRU học đặc trưng tuần tự để nhận diện vận động dài hạn
•   + Lớp fully-connected và softmax để phân loại vận động
• - Phân tích biên:
•   + Xử lý dữ liệu tại nút biên để giảm độ trễ
•   + Tính toán mức độ bất động thể chất theo thời gian
•   + Sinh cảnh báo và gửi nhật ký vận động (TAL) đến bác sĩ
• - Lưu trữ đám mây:
•   + Lưu trữ nhật ký vận động theo thời gian
•   + Truy xuất dữ liệu theo yêu cầu từ bác sĩ hoặc người chăm sóc
• - Đánh giá hiệu năng:
•   + So sánh với các phương pháp EMSA, HMM, DBN
•   + Độ chính xác nhận diện trung bình đạt 94.24%
•   + Thời gian xử lý thấp hơn 6.9 giây so với các phương pháp khác
•   + Độ trễ mạng, tiêu thụ năng lượng và chi phí xử lý thấp hơn so với xử lý đám mây
• - Mô phỏng bằng iFogSim với các cấu hình Edge Server khác nhau (CPU/GPU)
• - Áp dụng thực tế: hệ thống có thể triển khai trong môi trường chăm sóc sức khỏe thông minh để giám sát vận động bệnh nhân và hỗ trợ ra quyết định y tế.