La tecnología ponible juega un papel clave en las aplicaciones inteligentes de atención médica. La detección y análisis de los datos fisiológicos de los dispositivos ponibles es un proceso esencial en la atención médica inteligente. El análisis de datos fisiológicos se realiza en la computación de niebla para reducir la latencia excesiva introducida por la computación en la nube. Sin embargo, la latencia para el estado de salud de emergencia y la sobrecarga en el entorno de niebla se convierten en desafíos clave para la atención médica inteligente. Este documento resuelve estos problemas presentando una novedosa arquitectura de salud tri-niebla para la detección de parámetros fisiológicos. El sistema general se basa en tres capas: capa ponible, capa de niebla inteligente y capa de nube. En la primera capa, los datos de los dispositivos ponibles de los pacientes se someten a detección de fallas en el asistente de datos personal (PDA). Para eliminar datos fallidos, presentamos el algoritmo de análisis de componentes principales de kernel rápido (RK-PCA). Luego, los datos sin fallas se validan, ya sea duplicados o no, por el nodo observador de datos en la segunda capa. Para eliminar la redundancia de datos, proponemos un nuevo algoritmo de optimización objetivo asistido por difusión mediante análisis de proporciones (FaMOORA). Para predecir oportunamente el estado de salud del usuario, habilitamos el modelo oculto de Markov de salud de dos niveles (2L-2HMM) que encuentra el estado de salud del usuario a partir de variaciones temporales en los datos recopilados de los dispositivos ponibles. Finalmente, el estado de salud del usuario se detecta en la capa de niebla con la ayuda de un algoritmo híbrido de aprendizaje automático, a saber, SpikQ-Net, basado en las tres principales categorías de atributos como conductuales, biomédicos y ambientales. Según el estado de salud del usuario, se toma una acción inmediata tanto por las capas de nube como de niebla. Para garantizar un tiempo de respuesta más bajo y un servicio oportuno, también presentamos un procedimiento de apagado de salud óptimo con la ayuda del algoritmo de optimización de hienas manchadas multiobjetivo (MoSHO). El método de apagado de salud permite la descarga entre nodos de niebla sobrecargados y subcargados. El modelo de salud tri-niebla propuesto se valida mediante una simulación exhaustiva realizada en la herramienta iFogSim. Muestra mejores logros en latencia (reducida hasta 3 ms), tiempo de ejecución (reducido hasta 1.7 ms), precisión de detección (mejorada hasta un 97%) y estabilidad del sistema (mejorada hasta un 96%).