Los dispositivos móviles y wearables ahora tienen una mayor capacidad para detectar la actividad humana de manera ubicua y discreta gracias a los avances en miniaturización y capacidades de detección. Sin embargo, persisten problemas relacionados con las restricciones de energía de estos dispositivos al procesar grandes conjuntos de datos. Este documento presenta nuestro enfoque que utiliza la selección de características para refinar el agrupamiento de datos de acelerómetros para detectar actividad física. Esto también tiene un efecto positivo en la carga computacional asociada con el procesamiento de grandes conjuntos de datos, ya que la eficiencia energética y el uso de recursos disminuyen porque se procesan menos datos mediante los algoritmos de agrupamiento. Los datos de acelerómetros en bruto, obtenidos de teléfonos inteligentes y relojes inteligentes, han sido preprocesados para extraer características tanto del dominio del tiempo como del dominio de la frecuencia. Se han utilizado la selección de características por análisis de componentes principales (PCAFS) y la selección de características por correlación (CFS) para eliminar características redundantes. Los conjuntos de características reducidas se han evaluado en comparación con tres algoritmos de agrupamiento ampliamente utilizados, incluyendo el análisis de agrupamiento jerárquico (HCA), k-means y el agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN). El uso de los conjuntos de características reducidas resultó en una mejor separabilidad, menor incertidumbre y mayor eficiencia en comparación con la línea base, que utilizó todas las características. En general, el enfoque CFS junto con HCA produjo resultados más altos en el Índice de Dunn de 9.7001 para las características del teléfono y 5.1438 para las características del reloj, lo que representa una mejora respecto a la línea base. Los resultados de este estudio comparativo de selección de características y agrupamiento, con los algoritmos específicos utilizados, no se habían realizado anteriormente y proporcionan un enfoque optimista y utilizable para reconocer actividades utilizando un teléfono inteligente o un reloj inteligente.