Recientemente, la comunidad de investigación ha mostrado un gran interés en el reconocimiento de actividades humanas (HAR) debido a su amplia gama de aplicaciones en diferentes campos de la vida, incluyendo la medicina, la seguridad y los videojuegos. El uso de datos sensoriales para los sistemas HAR es lo más común porque los datos sensoriales se recopilan de los sensores de dispositivos portátiles de una persona, superando así los problemas de privacidad que se enfrentan en la recolección de datos a través de cámaras de video. Se han propuesto numerosos sistemas para reconocer algunas actividades comunes de la vida diaria (ADLs) utilizando diferentes técnicas de aprendizaje automático, procesamiento de imágenes y aprendizaje profundo. Sin embargo, las técnicas existentes son computacionalmente costosas, están limitadas al reconocimiento de actividades a corto plazo o requieren grandes conjuntos de datos para fines de entrenamiento. Dado que una ADL está compuesta por una secuencia de acciones más pequeñas, reconocerlas directamente a partir de datos sensoriales en bruto es un desafío. En este artículo, presentamos un marco jerárquico de dos niveles computacionalmente eficiente para reconocer actividades a largo plazo (compuestas), que no requiere un conjunto de datos muy grande para fines de entrenamiento. Primero, se reconocen las actividades a corto plazo (atómicas) a partir de datos sensoriales en bruto, y se calcula la puntuación atómica probabilística de cada actividad atómica en relación con las actividades compuestas. En el segundo paso, se seleccionan las características óptimas basadas en las puntuaciones atómicas para cada actividad compuesta y se pasan a los dos algoritmos de clasificación: bosque aleatorio (RF) y máquina de soporte vectorial (SVM) debido a su efectividad bien documentada para el reconocimiento de actividades humanas. El método propuesto fue evaluado en el conjunto de datos CogAge, disponible públicamente, que contiene 890 instancias de 7 actividades compuestas y 9700 instancias de 61 actividades atómicas. Los datos fueron recopilados de ocho sensores de tres dispositivos portátiles: un teléfono inteligente, un reloj inteligente y gafas inteligentes. El método propuesto logró una precisión del 96.61% y del 94.1% mediante los clasificadores de bosque aleatorio y SVM, respectivamente, lo que muestra un aumento notable en la precisión de clasificación de los sistemas HAR existentes para este conjunto de datos.