Este estudio presenta una nueva arquitectura de red neuronal convolucional (CNN), que abarca diseños de una sola y múltiples cabezas, desarrollada para identificar la actividad locomotora de un usuario mientras usa un robot portátil en las extremidades inferiores. Nuestra investigación involucró a 500 participantes adultos sanos en un espacio de actividades de la vida diaria (AVD), realizado del 1 de septiembre al 30 de noviembre de 2022. Recopilamos datos prospectivos para identificar cinco actividades locomotoras (caminar en terreno plano, subir/bajar escaleras y subir/bajar rampas) en tres terrenos: terreno plano, escalera y rampa. Para evaluar las capacidades predictivas de las arquitecturas de CNN propuestas, comparamos su rendimiento con tres modelos diferentes: una CNN y dos modelos híbridos (CNN-LSTM y LSTM-CNN). Se realizaron experimentos utilizando señales multivariadas de varios tipos obtenidas de electromiogramas (EMGs) y del robot portátil. Nuestros resultados revelan que la arquitectura más profunda de CNN supera significativamente el rendimiento de los tres modelos competidores. El modelo propuesto, aprovechando datos del codificador como ángulos y velocidades de cadera, junto con señales posturales como roll, pitch y yaw del robot portátil en las extremidades inferiores, logró un rendimiento superior con una velocidad de inferencia de 1.14 s. Específicamente, el rendimiento de la medida F del modelo propuesto alcanzó el 96.17%, en comparación con el 90.68% para DDLMI, el 94.41% para DeepConvLSTM y el 95.57% para LSTM-CNN, respectivamente.