L’approche actuellement prévalente de l’Internet des objets de santé et de médecine repose sur la prévention proactive de l’apparition des maladies grâce à un suivi régulier des activités physiques individuelles, ce qui confère à la reconnaissance des activités humaines (HAR) et à l’analyse du comportement une importance croissante dans le domaine de la recherche. La reconnaissance des activités sportives (SAcR), sous-ensemble de la HAR, se concentre sur l’identification des mouvements athlétiques. Trois méthodes principales sont utilisées pour surveiller ces activités : la vision par ordinateur, les capteurs environnementaux et les capteurs portables. En examinant les avantages et les limites de ces approches, les capteurs portables se démarquent comme la solution la plus pratique. Cette étude présente Mukhtasir-Khail-Net, un modèle comprenant uniquement 651 paramètres, qui exploite efficacement des couches d’addition. Appliqué à six activités sportives, ce modèle atteint une précision moyenne remarquable de 98,865 % à l’aide de données d’action générées par des capteurs inertielles embarqués. À des fins de comparaison, le modèle est également évalué sur le jeu de données WISDM 11, provenant de l’Université Fordham et dédié à la reconnaissance des activités humaines, où il obtient une précision de 94,24 %.