A medida que las personas envejecen, vivir en casa puede exponerlas a situaciones potencialmente peligrosas al realizar acciones cotidianas o tareas simples debido a limitaciones físicas, sensoriales o cognitivas. Esto podría comprometer la salud de los residentes, un riesgo que en muchos casos podría reducirse mediante la detección temprana de los incidentes. El presente trabajo se centra en el desarrollo de un sistema capaz de detectar en tiempo real las principales actividades de la vida diaria que una o varias personas pueden realizar al mismo tiempo dentro de su hogar. El enfoque propuesto corresponde a un método de aprendizaje no supervisado, que tiene una serie de ventajas, como facilitar la replicación futura o mejorar el control y el conocimiento de los mecanismos internos del sistema. El objetivo final de este sistema es facilitar la implementación de este método en un mayor número de hogares. El sistema es capaz de analizar los eventos proporcionados por una red de sensores no intrusivos y las ubicaciones de los residentes dentro del hogar a través de una red de balizas Bluetooth. El método se basa en una combinación precisa de dos modelos ocultos de Markov: uno que proporciona las habitaciones en las que se encuentran los residentes y otro que proporciona la actividad que los residentes están realizando. El método ha sido probado con los datos proporcionados por la base de datos pública SDHAR-HOME, obteniendo resultados de precisión que oscilan entre el 86.78% y el 91.68%. El enfoque presenta una mejora sobre los métodos de aprendizaje no supervisado existentes, ya que es replicable para múltiples usuarios al mismo tiempo.