El reconocimiento de actividad humana (HAR) generalmente utiliza sensores portátiles para identificar y analizar los datos de series temporales que recopilan, lo que permite el reconocimiento de acciones específicas. Como tal, el HAR se aplica cada vez más en la interacción humano-computadora, la atención médica y otros campos, logrando un reconocimiento preciso y eficiente de diversas actividades humanas. En los últimos años, se han aplicado ampliamente métodos de aprendizaje profundo en HAR basado en sensores, obteniendo resultados notables. Sin embargo, la investigación compleja de HAR, que implica comportamientos humanos específicos en contextos variados, todavía enfrenta varios desafíos. Para resolver estos problemas, proponemos una red neuronal multi-cabeza basada en el mecanismo de atención. Este marco contiene tres cabezas convolucionales, con cada cabeza diseñada utilizando una CNN unidimensional para extraer características de los datos sensoriales. El modelo utiliza un módulo de atención de canal (módulo de excitación de compresión) para mejorar las capacidades representativas de las redes neuronales convolucionales. Realizamos experimentos en dos conjuntos de datos de referencia disponibles públicamente, UCI-HAR y WISDM, para evaluar nuestro modelo. Los resultados fueron satisfactorios, con precisión general de reconocimiento del 96,72% y 97,73% en sus respectivos conjuntos de datos. Los resultados experimentales demuestran la efectividad de la estructura de red para el HAR, lo que garantiza un mayor nivel de precisión.