El reconocimiento de actividad humana se ha vuelto un asunto importante en diferentes campos como deporte, rehabilitación y diagnosis medico, sistema vigilancia inteligente, entre otros [1, 2, 3], los cuales han llevado a que surjan investigaciones de metodologías que permitan la detección automática de un conjunto de actividades físicas. Muchas de estas metodologías de reconocimiento utilizan sensores como acelerómetros, cámaras de video, electrodos, etc., pero la mayoría utilizan aprendizaje supervisado y aunque el uso de este aprendizaje ha ofrecido buenos resultados, el problema es que para tareas más complejas no es e ficiente, es sensible al ruido, y como sus valores de entrada son especi ficados por el usuario, puede presentar errores de umbralización entre muchos otros [1]. Por lo tanto se utiliza el aprendizaje no supervisado, el cual, ha visto un aumento en investigaciones basadas en dicha metodología en los últimos años, ya que suprime muchos de los problemas que acarrea el uso de aprendizaje supervisado[4]. Así que este trabajo propone una metodología de aprendizaje no supervisado para reconocer los movimientos para la actividad humana en un sistema multimodal. Para esto se utiliza técnicas de agrupamiento no supervisado (Unsupervised Clustering) que separa cada actividad física en movimientos primitivos. También se aplican técnicas de selección de características para cada sensor (Kinect®, IMU, EMG). El enfoque propuesto se prueba en una base de datos de actividad física humana, donde se estima el número mínimo de movimientos primitivos para el conjunto de actividades después de encontrar el número de sensores y puntos articulados que son necesarios para obtener un rendimiento similar como si se utilizara todas las características del sistema de reconocimiento. Esto demuestra que el aprendizaje no supervisado es capaz de reconocer cada movimiento de forma satisfactoria y evitar cieretos inconvenientes que conlleva el uso de aprendizaje supervisado.