Este documento sirve como una encuesta y evaluación empírica del estado del arte en métodos de reconocimiento de actividades utilizando acelerómetros. El documento se centra particularmente en el reconocimiento de actividades a largo plazo en entornos del mundo real. En estos entornos, la recolección de datos no es un asunto trivial; por lo tanto, hay compromisos de rendimiento entre la precisión de la predicción, que no es el único objetivo del sistema, y mantener los costos de mantenimiento en niveles mínimos. Examinamos investigaciones que se han centrado en la selección de actividades, las características que se extraen de los datos del acelerómetro, la segmentación de los datos de series temporales, las ubicaciones de los acelerómetros, los compromisos de selección y configuración, la fiabilidad de prueba/reprueba y el rendimiento de generalización. Además, estudiamos estas cuestiones desde una plataforma experimental y mostramos, algo sorprendentemente, que muchas configuraciones experimentales dispares producen un rendimiento predictivo comparable en los datos de prueba. Nuestra comprensión de estos resultados es que la configuración experimental define directa e indirectamente un camino para que el contexto sea entregado al clasificador, y que, en algunos entornos, ciertas configuraciones son más óptimas que otras. Concluimos identificando cómo los principales resultados de este trabajo pueden ser utilizados en la práctica, específicamente en configuraciones experimentales en condiciones experimentales desafiantes.