El estilo de vida moderno sedentario está influyendo negativamente en la salud humana, y las pautas actuales recomiendan al menos 150 min de actividad moderada por semana. Sin embargo, el desafío es cómo medir la actividad humana de manera práctica. Aunque los acelerómetros son las herramientas más comunes para medir la actividad, los métodos actuales de clasificación de actividad requieren estudios de calibración o conjuntos de datos etiquetados, requisitos que ralentizan el progreso de la investigación. Por lo tanto, hay una necesidad apremiante de clasificar y cuantificar la actividad humana de manera eficiente. En este trabajo, proponemos un enfoque no supervisado para clasificar actividades a partir de datos de acelerómetro utilizando modelos ocultos de semi-Markov. Ajustamos e inferimos los parámetros del modelo en datos de acelerómetro del Biobanco del Reino Unido y seleccionamos el modelo óptimo en función de las características utilizadas y la informatividad de la priorización. El mejor modelo logra una correlación promedio de 0.4 entre las actividades inferidas y las de referencia, con la actividad física general obteniendo una correlación de 0.8. Además, para demostrar la importancia clínica del método, lo validamos realizando una regresión lineal entre las actividades inferidas y medidas antropométricas como el IMC y la circunferencia de la cintura. Mostramos que para un comportamiento sedentario y la actividad física total, el método propuesto logra coeficientes de regresión comparables al conjunto de datos etiquetados de referencia. Además, el método propuesto logra una buena concordancia con un conjunto de datos etiquetados para el tiempo diario dedicado a un comportamiento sedentario y a la actividad física total. La naturaleza no supervisada del método permite una clasificación basada en datos que no requiere estudios de calibración o conjuntos de datos etiquetados y, por lo tanto, puede facilitar tanto la investigación clínica como las recomendaciones de estilo de vida.