Debido a que las caídas son la segunda causa principal de muerte por lesiones, especialmente en los ancianos según las estadísticas de la OMS, se han realizado muchos estudios sobre el desarrollo de un sistema de detección y advertencia de caídas. Muchos enfoques basados en sensores portátiles, cámaras, sensores infrarrojos, radar, etc., han sido propuestos para detectar caídas de manera eficiente. Sin embargo, aún enfrenta muchos desafíos debido al ruido y a la falta de una definición clara de las actividades de caída. Este documento propone una nueva forma de extraer 44 características basadas en el dominio temporal, el dominio de frecuencia y los parámetros de Hjorth para abordar esto. El efecto del conjunto de características propuesto ha sido evaluado en varios algoritmos de clasificación, como SVM, k-NN, ANN, J48 y RF. Nuestro método logra un rendimiento relativamente alto (métrica de puntuación F1) en la detección de actividades de caída y no caída, es decir, 95.23% (caídas), 99.11% (no caídas), y 96.16% (caídas), 99.90% (no caídas) para los conjuntos de datos MobileAct 2.0 y UP-Fall, respectivamente.