El reconocimiento de la actividad animal (AAR) utilizando datos de sensores portátiles ha ganado una atención significativa debido a sus aplicaciones en el monitoreo y comprensión del comportamiento animal. Sin embargo, dos desafíos principales obstaculizan el desarrollo de modelos AAR robustos: la variabilidad del dominio y la dificultad de obtener conjuntos de datos etiquetados. Para abordar este problema, este estudio investiga intensamente el impacto de la adaptación de dominio no supervisada (UDA) para AAR. Comparamos tres tipos distintos de técnicas UDA: enfoques basados en la minimización de la divergencia, basados en adversarios y basados en reconstrucción. Al aprovechar UDA, los clasificadores AAR permiten que el modelo aprenda características invariantes al dominio, lo que permite que los clasificadores entrenados en el dominio fuente funcionen bien en el dominio objetivo sin etiquetas. Evaluamos la efectividad de las técnicas UDA utilizando datos de sensores de movimiento de perros y datos adicionales de caballos. La aplicación de UDA a través de posiciones de sensores (cuello y espalda), tamaños (medianos y grandes) y género (femenino y masculino) dentro de los datos de perros, así como entre especies (perros y caballos), muestra mejoras significativas en el rendimiento de clasificación y reduce la discrepancia del dominio. Los resultados destacan el potencial de UDA para mitigar el cambio de dominio y mejorar AAR en diversos entornos y para diferentes especies animales, proporcionando valiosos conocimientos para aplicaciones prácticas en escenarios del mundo real donde los datos etiquetados son escasos.