En los últimos años, la investigación sobre la tecnología de detección Wi-Fi ha avanzado rápidamente. Esta tecnología detecta automáticamente las actividades humanas a través de dispositivos Wi-Fi comerciales, como acostarse, caer, caminar, saludar, sentarse y ponerse de pie. Debido a que el movimiento de las partes del cuerpo humano afecta la transmisión de las señales Wi-Fi, lo que resulta en cambios en el CSI. En el contexto del monitoreo interior de la salud humana a través del comportamiento diario, proponemos Wi-CAL. Más precisamente, se recopilaron huellas digitales de CSI en seis eventos en dos ubicaciones interiores, y se utilizó la tecnología de mejora de datos Dynamic Time Warping Barycentric Averaging (DBA) para expandir los datos. Luego, se combinó un algoritmo de ponderación de características y una capa de convolución para seleccionar las características de datos CSI más representativas de la acción humana. Finalmente, se obtuvo un modelo de clasificación adecuado para múltiples escenarios mediante la combinación del clasificador softmax y la pérdida de Alineación de CORrelación (CORAL). Se realizaron experimentos en conjuntos de datos públicos y en los conjuntos de datos antes y después de la expansión recopilados en este documento. A través de experimentos comparativos, se puede observar que nuestro método puede lograr un buen rendimiento de reconocimiento.