El reconocimiento de actividades humanas (HAR) ha sido un área de investigación popular en el Internet de las Cosas (IoT) y la interacción humano-computadora (HCI) durante la última década. El objetivo de este campo es detectar actividades humanas a través de representaciones numéricas o visuales, y sus aplicaciones incluyen hogares y edificios inteligentes, predicción de acciones, conteo de multitudes, rehabilitación de pacientes y monitoreo de ancianos. Tradicionalmente, el HAR se ha realizado a través de enfoques basados en visión, basados en sensores o basados en radar. Sin embargo, los métodos basados en visión y en sensores pueden ser intrusivos y plantear preocupaciones de privacidad, mientras que los métodos basados en radar requieren hardware especial, lo que los hace más costosos. El HAR basado en WiFi es una alternativa rentable, donde los puntos de acceso WiFi sirven como transmisores y los teléfonos inteligentes de los usuarios como receptores. El HAR en este método se realiza principalmente utilizando dos métricas de canal inalámbrico: el indicador de fuerza de señal recibida (RSSI) y la información del estado del canal (CSI). El CSI proporciona información más estable y completa sobre el canal en comparación con el RSSI. En esta investigación, utilizamos una red neuronal convolucional (CNN) como clasificador y aplicamos técnicas de detección de bordes como fase de preprocesamiento para mejorar la calidad de la detección de actividades. Utilizamos datos de CSI convertidos en imágenes RGB y probamos nuestra metodología en tres conjuntos de datos de CSI disponibles. Los resultados mostraron que el método propuesto logró una mejor precisión y tiempos de entrenamiento más rápidos que los datos representados de manera simple en RGB. Para justificar la efectividad de nuestro enfoque, repetimos el experimento aplicando datos de CSI en bruto a clasificadores de memoria a largo y corto plazo (LSTM) y LSTM bidireccionales.