La monitorización de las actividades humanas, como caminar, caer y saltar, proporciona información valiosa para los asistentes de salud personalizados. Las soluciones existentes requieren que el usuario lleve / use ciertos dispositivos inteligentes para capturar datos de movimiento / audio, utilice una cámara de alta definición para grabar datos de video o despliegue dispositivos dedicados para recopilar datos inalámbricos. Sin embargo, ninguna de estas soluciones se adopta ampliamente por razones como incomodidad, privacidad y costos adicionales. Por lo tanto, se necesita una solución efectiva para proporcionar una monitorización de actividades humanas no intrusiva, segura y económica. En este estudio, desarrollamos un sistema de monitorización de actividades humanas sin contacto que utiliza la información del estado del canal (CSI) de las señales WiFi ubicuas existentes. Específicamente, desplegamos un enrutador comercial fuera de la estantería de bajo costo como transmisor y reutilizamos un escritorio equipado con un NIC Intel WiFi Link 5300 como receptor, lo que nos permitió obtener datos CSI que registraron actividades humanas. Para eliminar los valores atípicos y el ruido ambiental existentes en las señales CSI sin procesar, se diseñó un filtro integrado que consiste en filtros Hampel, wavelet y promedio móvil. Luego, se diseñó una nueva métrica basada en la curtosis y la desviación estándar para obtener un conjunto óptimo de subportadoras que sea sensible a todas las actividades objetivo de las 30 subportadoras candidatas. Finalmente, seleccionamos un grupo de características, incluidas las características de dominio temporal y de frecuencia, y capacitamos un modelo de clasificación para reconocer diferentes actividades humanas en interiores. Nuestros resultados experimentales demuestran que el sistema propuesto puede lograr una precisión media superior al 93%, incluso frente a una larga distancia de detección.