En este estudio, abordamos el desafío de clasificar con precisión los movimientos humanos en entornos complejos utilizando datos de sensores. Analizamos tanto datos de video como de radar para abordar este problema. De las secuencias de video, extraemos características temporales utilizando técnicas como imágenes de historial de movimiento (MHI) y momentos de Hu, que capturan los aspectos dinámicos del movimiento. Los datos del radar se procesan a través del análisis de componentes principales (PCA) para identificar firmas de detección únicas. Refinamos estas características utilizando agrupamiento k-means y las empleamos para entrenar modelos ocultos de Markov (HMMs). Estos modelos están diseñados para distinguir entre movimientos distintos, centrándose específicamente en diferenciar entre los movimientos de sentarse y caer. Nuestros hallazgos experimentales revelan que la integración de características derivadas del video y del radar mejora significativamente la precisión de la clasificación de movimientos. Específicamente, el enfoque combinado mejoró la precisión de la detección de movimientos de sentarse en más del 10% en comparación con el uso de datos de una sola modalidad. Este método integrado no solo mejora la precisión de la clasificación, sino que también amplía la aplicabilidad práctica de los sistemas de detección de movimiento en diversos escenarios del mundo real, como monitoreo de la salud y sistemas de respuesta a emergencias.