El reconocimiento de la actividad humana es una tarea crucial en varias aplicaciones modernas basadas en el paradigma de Internet de las cosas (IoT), desde el diseño de sistemas inteligentes de videovigilancia hasta el desarrollo de asistentes robóticos para personas mayores. Recientemente, los algoritmos de aprendizaje automático han sido ampliamente investigados para mejorar la tarea de reconocimiento de actividades humanas. A pesar de estas actividades de investigación, no hay muchos estudios que se centren en el reconocimiento eficiente de actividades humanas complejas, como las actividades de transición, y no existe investigación dirigida a evaluar los efectos del ruido en los datos utilizados para entrenar los algoritmos. En este artículo, cubrimos esta brecha al presentar un sistema innovador de reconocimiento de actividades basado en un clasificador neuronal dotado de memoria, capaz de optimizar el rendimiento de la clasificación tanto de actividades humanas de transición como no transicionales. El sistema reconoce actividades humanas a partir de dispositivos IoT no intrusivos (como el acelerómetro y giroscopio) integrados en teléfonos inteligentes de uso común. La principal peculiaridad proporcionada por el sistema propuesto está relacionada con la explotación de una red neuronal extendida con información de memoria a corto plazo sobre las características de las actividades previas. El estudio experimental demuestra la fiabilidad del sistema propuesto en términos de precisión en comparación con clasificadores de última generación y la robustez del marco propuesto frente al ruido en los datos.