تمكّن مستشعرات القصور الذاتي في الهواتف الذكية من التعرف على الأنشطة البشرية، وهو ما يُعدّ مهمة أساسية للحوسبة المتنقلة والصحة الرقمية والأنظمة المُدركة للسياق، نظرًا لما توفره هذه الأجهزة من قدرات استشعار وظيفية وإمكانية وصول واسعة إلى بيئات العالم الحقيقي. تُقدّم هذه الدراسة معيارًا معياريًا خفيفًا، على غرار معايير المجلات العلمية، للتعرف على الأنشطة البشرية باستخدام مستشعرات الهواتف الذكية، وذلك من خلال مجموعة بيانات تضم 4999 عينة و561 خاصية رقمية، بالإضافة إلى 15 شخصًا وست فئات أنشطة، بعد تنظيف البيانات وإعادة هيكلتها. يقوم النظام المقترح بإصلاح البيانات قبل المعالجة المسبقة، وإجراء الإحصاءات الوصفية، وتجميع الخصائص، وتحليل الارتباط، وتحليل المكونات الرئيسية، وتصنيف الخصائص بناءً على تحليل التباين (ANOVA)، وتقييم أداء النموذج. اختبرت الدراسة أربعة نماذج أساسية خفيفة الوزن للتعلم الآلي، وهي: الانحدار اللوجستي، والغابة العشوائية، وخوارزمية أقرب الجيران (KNN)، وخوارزمية بايز الساذجة الغاوسية، وذلك من خلال تقسيم البيانات بنسبة 80/20 بين التدريب والاختبار، مع الحفاظ على توزيع الفئات. حقق نموذج الانحدار اللوجستي أعلى أداء بدقة بلغت 0.973 ودرجة F1 الكلية 0.9748، بينما حقق نموذجا الغابة العشوائية وخوارزمية أقرب جار (KNN) نتائج تتجاوز 0.95. وأظهر تحليل الخصائص أن الواصفات القائمة على الجاذبية، بالإضافة إلى الواصفات القائمة على الزاوية، أنتجت أفضل نتائج التعرف، إلا أن تحليل الأخطاء أظهر أن أكثر أخطاء التصنيف شيوعًا حدثت بين وضعيتي الجلوس والوقوف. ويُبين هذا البحث أن تمثيلات الخصائص المصممة خصيصًا تحافظ على مكانتها التنافسية عند استخدامها في أنظمة التعرف على الأنشطة البشرية الموجهة للتطبيقات العملية.