Colocar sensores en los cuerpos de los animales para automatizar el reconocimiento de actividades animales y obtener información sobre sus comportamientos puede ayudar a mejorar sus condiciones de vida. Aunque los algoritmos anteriores codificados de forma rígida no lograron clasificar series temporales complejas obtenidas de datos de acelerómetros, los avances recientes en el aprendizaje profundo han mejorado la tarea de reconocimiento de actividades animales para mejor. Sin embargo, aún no se ha abordado un análisis comparativo de las capacidades de generalización de varios modelos en combinación con diferentes tipos de entrada. Este estudio experimentó con dos técnicas para transformar los datos segmentados del acelerómetro para hacerlos más independientes de la orientación. Los métodos incluyeron calcular la magnitud del vector del acelerómetro de tres ejes y calcular la Transformada de Fourier Discreta para ambos conjuntos de datos de tres ejes como la magnitud del vector. Se entrenaron tres modelos diferentes de aprendizaje profundo con estos datos: un Perceptrón Multicapa, una Red Neuronal Convolucional y un conjunto que combina ambos llamado Red Neuronal Convolucional híbrida. Además de la validación cruzada mixta, cada combinación de modelo y tipo de entrada se evaluó en un conjunto de validación cruzada de dejar uno fuera por cabra para evaluar su capacidad de generalización. El uso de transformaciones de datos independientes de la orientación dio resultados prometedores. Una Red Neuronal Convolucional híbrida con -norm como entrada combinó la mayor precisión de clasificación de una Red Neuronal Convolucional con la menor desviación estándar de un Perceptrón Multicapa. La mayoría de las malas clasificaciones ocurrieron para comportamientos que muestran trazas de acelerómetro similares y clases minoritarias, lo que podría mejorarse en trabajos futuros al ensamblar conjuntos de datos más grandes y equilibrados.