El movimiento corporal es un movimiento motor estereotipado no deseado realizado por algunos individuos, y su detección es esencial para la autoconciencia y el cambio de hábitos. Imaginamos un sistema que incluye sensores portátiles inerciales y un sistema de detección en tiempo real para notificar al usuario para que sea consciente de su comportamiento de movimiento corporal. Para esta tarea, las similitudes del movimiento corporal con otras actividades repetitivas no relacionadas pueden causar detecciones falsas que impiden el compromiso continuo, lo que lleva a la fatiga por alarmas. Presentamos un sistema que utiliza Redes Neuronales Bayesiana con cuantificación de incertidumbre para reducir conjuntamente los falsos positivos y proporcionar una detección precisa. Mostramos que aumentar la capacidad del modelo no siempre produce un rendimiento más alto por sí mismo, mientras que emparejarlo con el enfoque bayesiano sí produce mejoras significativas. Las disparidades en la cuantificación de incertidumbre se cuantifican mejor calibrándolas utilizando redes neuronales profundas. Mostramos que las probabilidades calibradas son indicadores de calidad efectivos de predicciones confiables. En conjunto, mostramos que nuestro enfoque proporciona información adicional sobre el papel de las técnicas bayesianas en el aprendizaje profundo, así como ayuda en la detección precisa del movimiento corporal, mejorando nuestro trabajo previo sobre este tema.