Este estudio se centra en la conciencia humana, un componente crítico en la interacción humano-robot, particularmente en entornos agrícolas donde las interacciones se enriquecen con información contextual compleja. El objetivo principal es identificar las actividades humanas que ocurren durante las tareas de cosecha colaborativa que involucran a humanos y robots. Para lograr esto, proponemos un modelo de aprendizaje profundo novedoso y ligero, llamado 1D-ResNeXt, diseñado explícitamente para reconocer actividades en la colaboración humano-robot relacionada con la agricultura. El modelo se construye como una arquitectura de extremo a extremo que incorpora fusión de características y una estrategia de bloque convolucional de múltiples núcleos. Utiliza conexiones residuales y un mecanismo de dividir-transformar-unir para mitigar la degradación del rendimiento y reducir la complejidad del modelo limitando el número de parámetros entrenables. Se recopilaron datos de sensores de veinte individuos con cinco dispositivos portátiles colocados en diferentes partes del cuerpo. Cada sensor estaba equipado con acelerómetros tri-axiales, giroscopios y magnetómetros. En condiciones de campo reales, los participantes realizaron varias subtareas comúnmente asociadas con el trabajo agrícola, como levantar y transportar cargas. Antes de la clasificación, las señales de los sensores en bruto fueron preprocesadas para eliminar el ruido. Los datos de series temporales limpiados se introdujeron en la red de aprendizaje profundo propuesta para el reconocimiento de patrones secuenciales. Los resultados experimentales mostraron que el sensor montado en el pecho logró la puntuación F1 más alta de 99.86%, superando a otras ubicaciones y combinaciones de sensores. Un análisis de los tamaños de ventana temporal (0.5, 1.0, 1.5 y 2.0 s) demostró que la ventana de 0.5 s proporcionó el mejor rendimiento de reconocimiento, indicando que las características clave de la actividad en la agricultura pueden capturarse en intervalos cortos. Además, una evaluación integral de las modalidades de sensores reveló que la fusión multimodal de datos de acelerómetros, giroscopios y magnetómetros produjo la mejor precisión con un 99.92%. La combinación de datos de acelerómetros y giroscopios ofreció un compromiso óptimo, logrando una precisión del 99.49% mientras mantenía una menor complejidad del sistema. Estos hallazgos destacan la importancia de la colocación estratégica de sensores y la fusión de datos para mejorar el rendimiento del reconocimiento de actividades mientras se reduce la necesidad de datos extensos y recursos computacionales. Este trabajo contribuye al desarrollo de sistemas colaborativos inteligentes, eficientes y adaptativos, ofreciendo aplicaciones prometedoras en la agricultura y más allá, con una mejor seguridad, eficiencia de costos y capacidad operativa en tiempo real.