Las estructuras basadas en Memoria a Corto y Largo Plazo (LSTM) han demostrado su eficiencia para el reconocimiento de actividades de la vida diaria en hogares inteligentes al capturar el orden de las activaciones de sensores y sus dependencias temporales. Sin embargo, aún fallan al tratar con la semántica y el contexto de los sensores. Más allá de identificadores aislados y sus valores de activación ordenados, los sensores también llevan un significado. De hecho, su naturaleza y tipo de activación pueden traducir diversas actividades. Sus registros están correlacionados entre sí, creando un contexto global. Proponemos utilizar y comparar dos métodos de incrustación de Procesamiento de Lenguaje Natural para mejorar las estructuras basadas en LSTM en tareas de clasificación de secuencias de actividades: Word2Vec, una incrustación semántica estática, y ELMo, una incrustación contextualizada. Los resultados, en conjuntos de datos reales de hogares inteligentes, indican que este enfoque proporciona información útil, como un mapa de organización de sensores, y genera menos confusión entre las clases de actividades diarias. Ayuda a desempeñarse mejor en conjuntos de datos con actividades competidoras de otros residentes o mascotas. Nuestros tests también muestran que las incrustaciones pueden ser preentrenadas en conjuntos de datos diferentes al objetivo, permitiendo el aprendizaje por transferencia. Demostramos así que tener en cuenta el contexto de los sensores y su semántica aumenta el rendimiento de clasificación y habilita el aprendizaje por transferencia.