Este documento presenta un modelo que predice cuatro posturas comunes al sostener un teléfono inteligente, con el objetivo de mejorar la adaptabilidad de la interfaz de usuario. Es único al ser completamente independiente de la plataforma y hardware, utilizando la unidad de medida inercial (IMU) para la detección en tiempo real de posturas basadas en datos del sensor recopilados alrededor de gestos de toque. El modelo identifica si el usuario está sosteniendo y operando el teléfono inteligente con una mano o utilizando ambas manos en diferentes configuraciones. Para el entrenamiento y validación del modelo, los datos de series temporales del sensor se someten a una extensa extracción de características, que incluye análisis estadísticos, de frecuencia, magnitud y wavelet. Estas características se incorporan en 74 conjuntos distintos, probados en varios marcos de aprendizaje automático -k-vecinos más cercanos (KNN), máquina de vectores de soporte (SVM) y bosque aleatorio (RF)- y evaluados por su efectividad utilizando métricas como puntuaciones de validación cruzada, precisión de prueba, estadísticas Kappa, matrices de confusión y curvas ROC. El modelo optimizado demuestra un alto grado de precisión, prediciendo con éxito la mano que sostiene con una tasa de éxito del 95.7%. Este enfoque destaca el potencial de aprovechar los datos del sensor para mejorar las experiencias de usuario móviles mediante la adaptación de interfaces a interacciones naturales del usuario.