Los recientes avances en el campo de la atención preventiva de la salud han recibido considerable atención debido a la gestión efectiva de diversas enfermedades crónicas como la diabetes, el accidente cerebrovascular, la obesidad y el cáncer. Diversos sistemas automatizados están siendo utilizados para el reconocimiento de actividades y alimentos en la atención preventiva de la salud. Los sistemas automatizados carecen de técnicas de segmentación sofisticadas y contienen múltiples sensores, que resultan incómodos de llevar en entornos de la vida real. Para monitorear la actividad y los alimentos juntos, nuestro trabajo presenta un novedoso sistema portátil que emplea los sensores de movimiento en un reloj inteligente junto con un sensor piezoeléctrico incrustado en un collar. El sensor de movimiento genera patrones distintos para ocho actividades físicas diferentes, incluida la actividad de comer. El sensor piezoeléctrico genera diferentes patrones de señal para seis tipos de alimentos diferentes, ya que la ingestión de cada alimento es diferente de los demás debido a sus diferentes características: dureza, crujido y pegajosidad. Para una representación efectiva de los patrones de señal de las actividades y alimentos, empleamos segmentación dinámica. Se desarrolló un algoritmo novedoso llamado búsqueda de similitud de eventos (ESS) para elegir un segmento con longitud dinámica, que represente patrones de señal con diferentes complejidades de manera equitativa. Las características basadas en la amplitud y las imágenes generadas por espectrograma de los segmentos de actividad y alimentos se alimentan a redes de reconocimiento de actividad y alimentos basadas en redes neuronales convolucionales (CNN), respectivamente. Experimentación extensiva mostró que el sistema propuesto tiene un mejor rendimiento que los métodos de vanguardia para reconocer ocho tipos de actividades y seis categorías de alimentos con una precisión del 94.3% y 91.9% utilizando máquinas de soporte vectorial (SVM) y CNN, respectivamente.