El reconocimiento de actividades humanas (HAR) utilizando sensores inerciales es esencial para el monitoreo de la salud y aplicaciones de bienestar, sin embargo, la clasificación robusta en escenarios reales con adultos sigue siendo un desafío debido a la variabilidad entre sujetos y las transiciones de actividad en entornos de detección con smartphones. Este estudio investigó el reconocimiento de actividades físicas basado en smartphones utilizando señales de acelerómetro y giroscopio bajo un protocolo de evaluación entre sujetos. Para reducir la ambigüedad de las etiquetas y mejorar la generalización, el conjunto de actividades original se agrupó en una taxonomía reducida de 6 clases. Evaluamos modelos de aprendizaje profundo ligeros, incluyendo una red neuronal convolucional (CNN) solo para smartphones y un modelo de fusión multimodal que combina señales de smartphone y smartwatch. Utilizando validación cruzada GroupKFold entre sujetos, la CNN solo para smartphones logró un rendimiento competitivo con un Macro-F1 de aproximadamente 0.46, mientras que la fusión multimodal no proporcionó mejoras consistentes. También examinamos la segmentación temporal y mostramos que ventanas más cortas (2.0 s) producen mejores resultados que ventanas más largas. La ablación de sensores confirmó la importancia de la información del giroscopio, y el análisis por clase indicó que las actividades dinámicas podrían ser reconocidas de manera confiable, mientras que las categorías de escaleras y estáticas seguían siendo difíciles. En general, los resultados demuestran la viabilidad del reconocimiento de actividades basado en smartphones utilizando sensores integrados sin dispositivos portátiles externos para el monitoreo de actividades en adultos y proporcionan recomendaciones para la longitud de la ventana y la selección de sensores en HAR entre sujetos.