El reconocimiento de actividades humanas (HAR) es una tarea de clasificación para reconocer los movimientos humanos. Los métodos de HAR son de gran interés ya que se han convertido en herramientas para medir la ocurrencia y duración de las acciones humanas, que son la base de las tecnologías asistivas inteligentes y el análisis de procesos manuales. Recientemente, se han implementado redes neuronales profundas para HAR en el contexto de las actividades de la vida diaria utilizando series temporales multicanal. Estas series temporales se adquieren de dispositivos portátiles, que están compuestos por diferentes tipos de sensores. Las arquitecturas profundas procesan estas mediciones para encontrar características básicas y complejas en los movimientos corporales humanos, y para clasificarlos en un conjunto de acciones humanas. Dado que los dispositivos se llevan en diferentes partes del cuerpo humano, proponemos una nueva red neuronal profunda para HAR. Esta red maneja las mediciones de secuencia de diferentes dispositivos portátiles por separado. Se realiza una evaluación de la arquitectura en tres conjuntos de datos, el Oportunity, Pamap2 y un conjunto de datos industrial, superando el estado del arte. Además, se evaluarán diferentes configuraciones de red. Encontramos que aplicar convoluciones por canal de sensor y por dispositivo portátil mejora las capacidades de las redes neuronales convolucionales (CNN).