Se presenta un enfoque para la clasificación de acciones humanas en videos, basado en características iniciales conscientes del conocimiento extraídas de datos esqueléticos humanos y en un posterior procesamiento por medio de redes convolucionales. El seguimiento inteligente propuesto de las articulaciones del esqueleto, la aproximación de las articulaciones faltantes y la normalización de los datos esqueléticos son pasos importantes en la extracción de características. Se desarrollan y verifican experimentalmente tres modelos de redes neuronales basados en LSTM, Transformer y CNN. Los modelos son entrenados y probados en el conocido conjunto de datos NTU-RGB+D (Shahroudy et al., 2016) en modo de vista cruzada. Los resultados obtenidos muestran un rendimiento competitivo con otros métodos de vanguardia y verifican la eficacia de la ingeniería de características propuesta. La red tiene un número cinco veces menor de parámetros entrenables que otros métodos propuestos para lograr un rendimiento casi similar y veinte veces menos que las soluciones actualmente mejor calificadas. Gracias a la ligereza del clasificador, la solución solo requiere recursos computacionales relativamente pequeños.