Recientemente, se ha identificado que la información del estado del canal (CSI) es beneficiosa en una amplia gama de aplicaciones, desde el reconocimiento de actividades humanas (HAR) hasta el monitoreo de pacientes. Sin embargo, estos estudios enfocados han dado como resultado datos limitados en alcance. En este documento, investigamos el uso de datos de CSI obtenidos de un microcontrolador ESP32 para identificar a los participantes desde posturas sentadas y de pie en una clasificación de uno a muchos. La prueba se lleva a cabo en un entorno aislado controlado para establecer si un modelo pre-entrenado puede distinguir entre los participantes. Un total de 15 participantes fueron reclutados y se les pidió que se sentaran y se pusieran de pie entre el transmisor (Tx) y el receptor (Rx), mientras se registraban sus datos de CSI. Se han incorporado y probado varios algoritmos y técnicas de preprocesamiento en diferentes algoritmos de clasificación, que han pasado por una selección de parámetros para habilitar una plantilla de prueba consistente. Se capturaron métricas de rendimiento como la matriz de confusión, la precisión y el tiempo transcurrido. Después de una extensa evaluación y prueba de diferentes modelos de clasificación, se ha establecido que el modelo híbrido LSTM-1DCNN tiene una precisión promedio del 84.29% y 74.13% para las posturas sentadas y de pie, respectivamente, en nuestro conjunto de datos. Los modelos se compararon con el conjunto de datos BedroomPi y se encontró que LSTM-1DCNN fue el mejor modelo en términos de rendimiento. También es el modelo más eficiente con respecto al tiempo transcurrido para sentarse y levantarse.