Los dispositivos portátiles personales, como los teléfonos inteligentes o los relojes inteligentes, se utilizan cada vez más en la vida cotidiana. Con frecuencia, se realiza el reconocimiento de actividades en estos dispositivos para estimar el estado actual del usuario y activar acciones automatizadas según las necesidades del usuario. En este artículo, nos centramos en la creación de un sistema de reconocimiento de actividades auto-adaptativo basado en unidades de medida inerciales que incluye nuevos sensores durante la ejecución. Comenzando con un clasificador basado en Modelos de Mezcla Gaussiana, el modelo de densidad se adapta a los nuevos datos de sensores de manera completamente autónoma al emitir la propiedad de marginalización de las distribuciones normales. Para crear un clasificador a partir de eso, se realiza la inferencia de etiquetas, ya sea basada en el clasificador inicial o en los datos de entrenamiento. Para la evaluación, utilizamos más de 10 horas de datos de actividad anotados del conjunto de datos de referencia PAMAP2, que está disponible públicamente. Usando los datos, demostramos la viabilidad de nuestro enfoque y realizamos 9720 experimentos para obtener números resilientes. Un enfoque funcionó razonablemente bien, lo que llevó a una mejora del sistema en promedio, con un aumento en el F-score de 0.0053, mientras que el otro muestra claras desventajas debido a una alta pérdida de información durante la inferencia de etiquetas. Además, una comparación con técnicas de vanguardia muestra la necesidad de realizar más experimentos en esta área.