Este documento contiene un análisis de métodos para la clasificación de personas basado en señales de sensores IMU portátiles durante el deporte. Si bien este problema ha sido investigado en trabajos anteriores, los enfoques existentes no lo han abordado en el contexto de escenarios de pocos ejemplos o de datos mínimos. Un escenario de pocos ejemplos es especialmente útil ya que el principal caso de uso para la identificación de personas en sistemas deportivos es integrarse en sistemas de biofeedback personalizados en el deporte. Tales sistemas deberían proporcionar retroalimentación personalizada que ayude a los atletas a aprender más rápido. Al introducir un nuevo usuario, es poco práctico esperar que primero recoja muchas grabaciones. Demostramos que el problema se puede resolver con más del 90% de precisión tanto en escenarios de conjunto abierto como cerrado utilizando métodos establecidos. Sin embargo, el desafío surge al aplicar métodos de pocos ejemplos, que no requieren reentrenar el modelo para reconocer nuevas personas. La mayoría de los métodos de pocos ejemplos tienen un rendimiento deficiente debido a extractores de características que aprenden representaciones específicas del conjunto de datos, limitando su capacidad de generalización. Para superar esto, proponemos una combinación de un extractor de características no supervisado y una red prototípica. Este enfoque logra un 91.8% de precisión en el entorno cerrado de cinco ejemplos y un 81.5% de precisión en el entorno abierto, con una tasa de rechazo del 99.6% para atletas desconocidos.