[ANGLÈS] The designed algorithm allows non-intrusive physical activity recognition using accelerometer data from the smartphone. Fourteen subjects of the same age (mean = 22 years) have used the Android application RSAF for a week in free conditions. The ReliefF and Sequential Forward Selection methods have been used for feature selection. Different Machine Learning models have been assessed for five users: Decision Tree, Naive Bayes and Support Vector Machine. In this work is also assessed the caloric expenditure of the physical activity. Accuracies up to 88.75% in predicted activities and up to 88.59% in caloric expenditure have been obtained. Finally, the results of the acquired information are presented in order to give a feedback of the user’s lifestyle.

[CASTELLÀ] El algoritmo diseñado permite el reconocimiento automático no intrusivo de la actividad física utilizando los datos del acelerómetro del smartphone. Catorce sujetos de la misma franja de edad (media = 22 años) han utilizado la aplicación Android RSAF durante una semana en condiciones libres. Los métodos ReliefF y Sequential Forward Selection han sido utilizados para la selección de características. Diferentes modelos de Machine Learning han sido evaluados para cinco usuarios: Decision Tree, Naive Bayes y Support Vector Machine. En este trebajo también se evalúa el gasto calórico en función del tipo de actividad física y la intensidad del ejercicio físico. Se obtienen precisiones hasta 88.75% en la predicción de actividades y hasta el 88.59% en el gasto calórico asociado. Por último, se presentan los resultados de la información analizada de manera que se puede dar un feedback al usuario del grado de actividad de su estilo de vida.

[CATALÀ] L’algorisme dissenyat permet el reconeixement automàtic no intrusiu de l’activitat física usant les dades del acceleròmetre del smartphone. Catorze subjectes de la mateixa franja d’edat (mitjana = 22 anys) han utilitzat l’aplicació Android RSAF durant una setmana en condicions lliures. Els mètodes ReliefF i Sequential Forward Selection han estat utilitzats per la selecció de característiques. Diferents models de Machine Learning han estat avaluats per cinc usuaris: Decision Tree, Naive Bayes i Support Vector Machine. En aquest treball també s’avalua la despesa calòrica en funció del tipus d’activitat física i la intensitat de l’exercici físic. S’obtenen precisions fins al 88.75% en la predicció d’activitats i fins al 88.59% en la despesa calòrica associada. Per últim, es presenten els resultats de la informació analitzada de manera que es pugui donar un feedback al usuari del grau d’activitat del seu estil de vida.