Este artículo presenta un nuevo marco de reconocimiento de actividad humana (HAR) utilizando sensores portátiles, específicamente dirigido a aplicaciones en rehabilitación de la marcha y robots asistentes. La nueva metodología incluye el uso de un conjunto de datos de código abierto. Este conjunto de datos incluye señales de electromiografía de superficie (sEMG) y unidades de medida inercial (IMUs) para el miembro inferior de 22 sujetos sanos. Se incluyeron varias actividades de la vida diaria (AVDs), como caminar, subir/bajar escaleras y caminar en rampa. Se propone un nuevo marco para el acondicionamiento de señales, eliminación de ruido, filtrado, extracción de características y clasificación de actividades. Tras probar varios enfoques de acondicionamiento de señales, como la transformada wavelet (WT), el análisis de componentes principales (PCA) y la descomposición en modos empíricos (EMD), se elige un enfoque basado en análisis autocepstral (ACA). Dicho enfoque complejo y efectivo permite el uso de clasificadores supervisados como el vecino más cercano (KNN), redes neuronales (NN) y bosque aleatorio (RF). El clasificador de bosque aleatorio ha mostrado los mejores resultados con una precisión del 97.63% para las señales de EMG extraídas del músculo sóleo. Además, RF ha mostrado los mejores resultados para las señales de IMU con un 98.52%. Estos resultados enfatizan el potencial del nuevo marco de sistemas HAR portátiles en la rehabilitación de la marcha, allanando el camino para la implementación en tiempo real en dispositivos asistentes de miembros inferiores.