La cinemática de la mano humana exhibe características complejas y diversas únicas para cada individuo. Diversas técnicas como las basadas en visión, ultrasonido y guantes de datos se han empleado para analizar los movimientos de la mano humana. Sin embargo, un desafío crítico sigue siendo analizar y clasificar eficientemente los tipos de agarre de la mano basados en datos cinemáticos de series temporales. En este documento, proponemos una novedosa técnica de extracción de características de codificación escasa basada en el aprendizaje de diccionarios para abordar este desafío. Nuestro método mejora la precisión del modelo, reduce el tiempo de entrenamiento y minimiza el riesgo de sobreajuste. Comparamos nuestro enfoque con el análisis de componentes principales (PCA) y la codificación escasa basada en un diccionario aleatorio gaussiano. Nuestros resultados demuestran una mejora significativa en la precisión de clasificación: logrando un 81.78% con nuestro método en comparación con un 31.43% para PCA y un 77.27% para el diccionario aleatorio gaussiano. Además, nuestra técnica supera en términos de puntuación F1 promedio macro y área promedio bajo la curva (AUC) mientras también reduce significativamente el número de características requeridas.