Hay más de 962 millones de personas de 60 años o más en todo el mundo. La actividad física disminuye a medida que las personas envejecen, al igual que su capacidad para realizar tareas cotidianas, afectando tanto la salud física como la mental. Muchos investigadores utilizan métodos de aprendizaje automático y aprendizaje profundo para reconocer actividades humanas, pero muy pocos estudios se han centrado en el reconocimiento de actividades humanas de personas mayores. Este documento se centra en proporcionar asistencia a las personas mayores mediante el monitoreo de sus actividades en diferentes entornos interiores y exteriores utilizando datos de giroscopio y acelerómetro recopilados de un teléfono inteligente. Los teléfonos inteligentes se han utilizado rutinariamente para monitorear las actividades de personas con discapacidades; actividades rutinarias como sentarse, caminar, subir escaleras, bajar escaleras, estar de pie y acostarse están incluidas en el conjunto de datos. Se utilizan algoritmos de aprendizaje automático convencional y aprendizaje profundo como k-Vecinos más cercanos, Bosque aleatorio, Máquina de soporte vectorial, Red neuronal artificial y Red de memoria a corto y largo plazo para el reconocimiento de actividades humanas. La memoria a corto y largo plazo es una variación de red neuronal recurrente que es más adecuada para manejar secuencias temporales. Se realizaron métodos de validación cruzada de dos pliegues y diez pliegues para mostrar el efecto de cambiar los datos en el conjunto de datos de entrenamiento y prueba. Entre todas las técnicas de clasificación, la Red de memoria a corto y largo plazo propuesta dio la mejor precisión del 95.04%. Sin embargo, la Máquina de soporte vectorial dio una precisión del 89.07% con un tiempo computacional muy bajo de 0.42 minutos utilizando validación cruzada de diez pliegues.