Al desarrollar un sistema completamente automático para evaluar las actividades motoras realizadas por una persona, es necesario segmentar y reconocer las diferentes actividades para enfocar el análisis. Este proceso debe ser realizado por un sistema de Reconocimiento de Actividad Humana (HAR). Este artículo propone una técnica de adaptación del usuario para mejorar un sistema HAR basado en Modelos Ocultos de Markov (HMM). Este sistema segmenta y reconoce seis actividades físicas diferentes (caminar, subir escaleras, bajar escaleras, sentarse, estar de pie y acostarse) utilizando señales inerciales de un smartphone. El sistema está compuesto por un extractor de características para obtener las características más relevantes de las señales inerciales, un módulo para entrenar los seis HMM (uno por actividad) y el último módulo para segmentar nuevas secuencias de actividad utilizando estos modelos. La técnica de adaptación del usuario consiste en un enfoque de Máxima a Posteriori (MAP) que adapta los HMM de actividad al usuario, utilizando algunos ejemplos de actividad de este usuario específico. Los principales resultados en un conjunto de datos públicos han reportado una reducción significativa de la tasa de error relativo de más del 30%. En conclusión, adaptar un sistema HAR al usuario que realiza las actividades físicas proporciona una mejora significativa en el rendimiento del sistema.