Este trabajo estudia la problemática al detectar movimientos de baja intensidad en adultos. Analiza la instrumentación adecuada para cualquier entorno, implementa múltiples técnicas de procesamiento de señales e inteligencia artificial para comparar el desempeño, como la precisión. Para contribuir al desarrollo de tecnologías de reconocimiento de la actividad humana se realizó: Revisión bibliográfica sobre la problemática del envejecimiento, los retos de las TICs y las propuestas actuales; Determinar los sensores IMU, EMG y MAS que para adquirir señales y las actividades de bajo impacto a reconocer, como comer, peinarse o vestirse, que están relacionadas con los movimientos del miembro superior. Los movimientos representativos son: flexión-extensión del codo, pronación-supinación de la mano, abducción-aducción del hombro, flexión-extensión horizontal del hombro, flexión-extensión vertical del hombro y rotación interna-externa del hombro; Modelos de clasificación. Para clasificar las actividades se entrenaron modelos de aprendizaje automático y profundo. Los modelos de aprendizaje automático fueron útiles con ejercicios y señales fáciles de distinguir. Los modelos entrenados fueron: árboles de decisión, SVM, KNN. Cuando los ejercicios fueron similares y de baja intensidad, la clasificación se vuelve difícil y se utilizaron modelos de aprendizaje profundo. Los modelos entrenados fueron: full connected, convolucional, LSTM y transformer. Las métricas para evaluar los algoritmos fueron precisión, curvas de entrenamiento, matriz de confusión y otras. Para reducir la instrumentación y determinar la cantidad de sensores con resultado válido, se aplicaron algoritmos de selección de características.