Los sensores portátiles para el reconocimiento de la actividad humana (HAR) han ganado una atención significativa en múltiples dominios, como el monitoreo de la salud personal y los sistemas inteligentes para el hogar. A pesar de los avances notables en el aprendizaje profundo para HAR, comprender el proceso de toma de decisiones de modelos complejos sigue siendo un desafío. Este estudio presenta una red residual profunda avanzada integrada con un mecanismo de apriete y excitación (SE) para mejorar la precisión del reconocimiento y la interpretabilidad del modelo. El modelo propuesto, ConvResBiGRU-SE, se probó utilizando los conjuntos de datos UCI-HAR y WISDM. Logró precisión notable del 99.18% y 98.78%, respectivamente, superando los métodos actuales de vanguardia. El mecanismo SE mejoró la capacidad del modelo para enfocarse en características esenciales, mientras que la asignación de activación de clase ponderada por gradiente (Grad-CAM) aumentó la interpretabilidad al resaltar datos sensoriales esenciales que influyen en las predicciones. Además, experimentos de ablación validaron la contribución de cada componente al rendimiento general del modelo. Esta investigación avanza en la tecnología HAR al ofrecer un sistema de reconocimiento más transparente y eficiente. La transparencia mejorada y la precisión predictiva pueden aumentar la confianza del usuario y facilitar una integración más fluida en aplicaciones del mundo real.