En las aplicaciones en tiempo real intensivas en datos, por ejemplo, asistencia cognitiva y salud móvil (mHealth), la cantidad de datos de sensores está aumentando. En estas aplicaciones, es deseable extraer información de valor agregado, por ejemplo, condiciones de salud mental o física, de flujos de datos de sensores en tiempo real en lugar de sobrecargar a los usuarios con enormes datos en bruto. Sin embargo, lograr el objetivo es un desafío debido al volumen de datos y a las tareas complejas de análisis de datos con restricciones de tiempo estrictas. La mayoría de los sistemas de gestión de grandes datos existentes, por ejemplo, Hadoop, no son directamente aplicables a la analítica de datos de sensores en tiempo real, ya que son ajenos al tiempo y se centran en el procesamiento por lotes de datos almacenados previamente que pueden estar desactualizados y sujetos a sobrecargas de E/S. Además, los sensores integrados y los dispositivos de IoT no tienen suficientes recursos para realizar análisis de datos sofisticados. Para abordar el problema, diseñamos un nuevo marco de gestión de grandes datos en tiempo real para admitir análisis de datos de sensores en tiempo real en memoria periódica en el borde de la red mediante la extensión del modelo map-reduce originado en la programación funcional, al tiempo que se proporciona transferencia de datos de sensores adaptativa al servidor del borde basada en la importancia de los datos. En este documento, se diseña e implementa un sistema prototipo como prueba de concepto. En la evaluación del rendimiento, se muestra empíricamente que los datos de sensores importantes se entregan de manera preferida y se analizan de manera oportuna.