Este documento presenta un enfoque novedoso que aplica datos IQ basados en WiFi e imágenes tiempo-frecuencia para clasificar automáticamente y con precisión actividades humanas. La estrategia propuesta primero utiliza la transformación de distribución Choi-Williams y la transformación de espectrograma Margenau-Hill para obtener las imágenes tiempo-frecuencia, seguido por la extracción de características de desplazamiento y análisis de componentes principales (PCA). Las características de desplazamiento se extrajeron de los datos IQ y varios espectros con valores de energía máxima en el dominio temporal, y las características de PCA se extrajeron a través de las imágenes completas y varias secciones de imagen en ellas con información de unidad rica. Finalmente, se utilizó un clasificador de aprendizaje supervisado tradicional para etiquetar varias actividades. Con doce mil muestras experimentales de cuatro categorías de señales WiFi, los datos experimentales validaron nuestro método propuesto. Los resultados mostraron que nuestro método era más robusto a diferentes secciones de imagen o números de PCA sobre el conjunto de datos medido. Nuestro método con el clasificador de bosques aleatorios (RF) superó al método con clasificadores alternativos en rendimiento de clasificación y finalmente obtuvo una sensibilidad promedio del 91.78%, precisión promedio del 91.74%, puntuación F1 promedio del 91.73%, especificidad promedio del 97.26% y precisión promedio del 95.89%.