Los datos de secuencias de movimiento comprenden un registro organizado cronológicamente de una serie de movimientos o acciones realizadas por un ser humano. Los patrones de movimiento encontrados en dichos datos tienen importancia para la investigación y aplicaciones en múltiples campos. En los últimos años, se han propuesto diversas técnicas de representación de características para llevar a cabo análisis de secuencias. Sin embargo, muchas de estas métodos no han descubierto completamente las correlaciones entre elementos en secuencias ni las estructuras internas interrelacionadas entre diferentes dimensiones, las cuales son cruciales para el reconocimiento de patrones de movimiento. Este estudio propone una novedosa representación de características de Código de Secuencia Adaptativa (ASC) con modelos ocultos de Markov en conjunto para el análisis de secuencias de movimiento. El ASC adopta la simbolización dual integrando la simbolización diferencial de primer orden y la codificación de secuencia de eventos para representar efectivamente secuencias de movimiento individuales. Posteriormente, se presenta un algoritmo de impulso adaptativo basado en un modelo oculto de Markov para distinguir los datos de secuencia codificados en diferentes patrones de movimiento. Los resultados experimentales en varios conjuntos de datos públicos demuestran que la metodología propuesta supera a otras técnicas competidoras. Mientras tanto, los estudios de ablación realizados en ASC y el enfoque de impulso adaptativo verifican aún más su significativo potencial en el análisis de secuencias de movimiento.