Recientemente, las redes neuronales profundas se han convertido en una tecnología ampliamente utilizada en el campo del reconocimiento de actividades humanas basado en sensores y han logrado buenos resultados. Sin embargo, algunas redes neuronales convolucionales carecen de una selección adicional para las características extraídas, o las redes no pueden procesar los datos del sensor de diferentes ubicaciones del cuerpo de forma independiente y en paralelo. Por lo tanto, la precisión de las redes existentes no es ideal. En particular, las actividades similares son fáciles de confundir, lo que limita la aplicación del reconocimiento de actividades humanas basado en sensores. En este documento, proponemos una red neuronal de múltiples ramas basada en convolución con atención. Cada rama de la red consta de dos capas de submódulos de convolución agrupados basados en atención. Introducimos un mecanismo de atención dual que consta de atención de canal y atención espacial para seleccionar las características más importantes. Los datos del sensor recopilados en diferentes posiciones del cuerpo humano se separan y se introducen en diferentes ramas de la red para el entrenamiento y la prueba de forma independiente. Finalmente, se fusionan las características de múltiples ramas. Probamos la red propuesta en tres grandes conjuntos de datos: PAMAP2, UT y OPPORTUNITY. Los resultados experimentales muestran que nuestro método supera a los métodos existentes más avanzados.