En el monitoreo de personas mayores o la detección de intrusiones en interiores, el reconocimiento de la actividad humana es una tarea clave. Debido a varias ventajas de los dispositivos basados en Wi-Fi, incluyendo su carácter no invasivo y la protección de la privacidad, estos dispositivos se han aplicado ampliamente en el área de hogares inteligentes. Con la técnica de aprendizaje profundo, numerosos métodos de reconocimiento de actividad basados en Wi-Fi pueden lograr reconocimientos satisfactorios, sin embargo, estos métodos pueden fallar al reconocer las actividades de una persona desconocida sin el proceso de aprendizaje. En este estudio, utilizando datos de información del estado del canal (CSI), se propone un nuevo método de reconocimiento de actividad entre personas (CPAR) mediante un enfoque de aprendizaje profundo con capacidad de generalización. Combinando una de las redes neuronales profundas de última generación (DNN) utilizadas en el reconocimiento de actividad, es decir, la memoria a corto y largo plazo bidireccional basada en atención (ABLSTM), el conjunto de instantáneas es el primero en ser adoptado para entrenar varios clasificadores base para mejorar la generalización y practicidad del reconocimiento. En segundo lugar, para discriminar las características extraídas, se introduce el aprendizaje métrico utilizando la pérdida de centro, obteniendo ABLSTM con pérdida de centro utilizada en el conjunto de instantáneas (SE-ABLSTM-C). En los experimentos de CPAR, el método propuesto SE-ABLSTM-C mejoró notablemente las precisiones de reconocimiento a un nivel de aplicación, para siete categorías de actividades.