Desde la pandemia de COVID-19, la demanda de rehabilitación respiratoria ha aumentado significativamente. Esto hace que sea esencial desarrollar métodos de rehabilitación domiciliaria (remota) utilizando tecnología moderna. Se han desarrollado nuevas técnicas y herramientas, incluidos sensores inalámbricos y sistemas de captura de movimiento, para implementar la rehabilitación respiratoria remota. Se presta una atención significativa durante la rehabilitación respiratoria al tipo de respiración humana. La rehabilitación remota requiere el desarrollo de métodos automatizados de análisis de la respiración. La mayoría de los métodos actualmente desarrollados para analizar la respiración no funcionan con diferentes tipos de respiración. Estos métodos están diseñados para un solo tipo (por ejemplo, diafragmático) o simplemente analizan la condición de los pulmones. Desarrollar métodos para determinar los tipos de respiración humana es necesario para llevar a cabo la rehabilitación respiratoria remota de manera eficiente. Proponemos un método para determinar el tipo de respiración utilizando sensores inalámbricos con el sistema de captura de movimiento. Para desarrollar ese método, se utilizaron análisis espectral y métodos de aprendizaje automático para detectar el espectro predominante, las coordenadas de los marcadores y la frecuencia predominante para diferentes tipos de respiración. Se describe un algoritmo para determinar el tipo de respiración humana. Se basa en la aproximación de la forma de los gráficos de distancias entre marcadores utilizando ondas sinusoidales. Con base en las características de las ondas resultantes, entrenamos modelos de aprendizaje automático para determinar los tipos de respiración. Después de la primera etapa de entrenamiento, encontramos que la precisión máxima de los modelos de aprendizaje automático era inferior a 0,63, lo cual era demasiado bajo para ser utilizado de manera confiable en la rehabilitación respiratoria. Basándonos en el análisis de la precisión obtenida, el tiempo de entrenamiento y ejecución de los modelos y la función de error, elegimos la estrategia de lograr una mayor precisión aumentando el tiempo de entrenamiento y ejecución del modelo y utilizando un método de dos etapas, compuesto por dos modelos de aprendizaje automático, entrenados por separado. El primer modelo determina si la respiración es de tipo mixto; si no predice el tipo mixto de respiración, el segundo modelo determina si la respiración es torácica o abdominal. La mayor precisión lograda por el modelo compuesto fue de 0,81, que supera a los modelos individuales y es lo suficientemente alta para su uso en la rehabilitación respiratoria. Por lo tanto, utilizando tres sensores inalámbricos colocados en el cuerpo del paciente y un algoritmo de dos etapas utilizando modelos de aprendizaje automático, fue posible determinar el tipo de respiración humana con la suficiente precisión para llevar a cabo la rehabilitación respiratoria remota. El algoritmo desarrollado puede ser utilizado en la construcción de aplicaciones de rehabilitación.