El reconocimiento automático de actividades físicas humanas es una tarea importante en aplicaciones de visión por computador. Los enfoques robustos que utilizan unos o varios sensores generalmente vinculan características redundantes que consumen recursos computaciones y tiempo de cómputo durante el proceso de clasificación de subactividades. En este artículo se explora la reducción de dimensión para el reconocimiento de actividades y movimientos primitivos humanos fusionando datos provenientes de sensores de profundidad visual Kinect, sensores inerciales IMUs y electrodos de registro electromiográfico (EMGs). También se enseña un estudio comparativo donde se evalúa diferentes técnicas de reducción de características del estado arte, se analiza el comportamiento en base al desempeño en el reconocimiento de actividades física y el tiempo de cómputo de los métodos bajo estudio. Los resultados muestran que, metodologías del estado de arte pueden tener un menor costo temporal a la hora de su implementación sin afectar considerablemente el desempeño al reconocer la actividad.