Recientemente, las técnicas de reconocimiento de actividad humana (HAR) han experimentado desarrollos notables en el campo del aprendizaje automático. En este documento, clasificamos gestos humanos utilizando datos recopilados de un sensor piezoeléctrico curvado, incluyendo movimiento de codo, giro de muñeca, flexión de muñeca, tos y flexión de cuello. El proceso de clasificación se basa en datos recopilados de un sensor. Se desarrollan y optimizan algoritmos de aprendizaje automático habilitados con K-mer para realizar el reconocimiento de gestos humanos (HGR) a partir de los datos adquiridos para lograr los mejores resultados. Tres algoritmos de aprendizaje automático, a saber, máquina de vectores de soporte (SVM), bosque aleatorio (RF) y vecino más cercano (k-NN), se ejecutan y analizan con K-mer. Los parámetros de entrada como longitud de subsecuencia (K), número de cortes, parámetro de penalización (C), número de árboles (n_estimators), profundidad máxima del árbol (max_depth) y vecinos más cercanos (k) para los tres algoritmos de aprendizaje automático se modifican y analizan para la precisión de clasificación. El modelo propuesto se evaluó utilizando su porcentaje de precisión, puntuación de recuperación, puntuación de precisión y valor F-score. Obtenemos resultados prometedores con una precisión del 94.11 +/- 0.3%, 97.18 +/- 0.4% y 96.90 +/- 0.5% para SVM, RF y k-NN, respectivamente. El tiempo de ejecución para ejecutar el programa con parámetros óptimos es de 19.395 +/- 1 s, 5.941 +/- 1 s y 3.832 +/- 1 s para SVM, RF y k-NN, respectivamente.