El reconocimiento de actividades humanas (HAR) utilizando redes neuronales profundas se ha convertido en un tema candente en la interacción humano-computadora. Las máquinas pueden identificar de manera efectiva las actividades naturalistas humanas aprendiendo de una gran colección de datos de sensores. El reconocimiento de actividades no solo es un problema de investigación interesante, sino que también tiene muchas aplicaciones prácticas en el mundo real. Basándonos en el éxito de las redes residuales para lograr un alto nivel de representación estética del aprendizaje automático, proponemos una nueva red residual asimétrica, llamada ARN. ARN se implementa utilizando dos marcos de ruta idénticos que consisten en (1) una ventana de tiempo corta, que se utiliza para capturar características espaciales, y (2) una ventana de tiempo larga, que se utiliza para capturar características temporales finas. La ruta de la ventana de tiempo larga puede hacerse muy ligera al reducir su capacidad de canal, mientras que aún puede aprender representaciones temporales útiles para el reconocimiento de actividades. En este artículo, nos centramos principalmente en proponer un nuevo modelo para mejorar la precisión del HAR. Para demostrar la efectividad del modelo ARN, realizamos experimentos extensos en conjuntos de datos de referencia (es decir, OPPORTUNITY, UniMiB-SHAR) y comparamos los resultados con algunos métodos convencionales y de vanguardia basados en el aprendizaje. Discutimos la influencia de los parámetros de las redes en el rendimiento para proporcionar información sobre su optimización. Los resultados de nuestros experimentos muestran que ARN es efectivo en el reconocimiento de actividades humanas a través de conjuntos de datos portátiles.