Para hacer uso de los algoritmos supervisados de reconocimiento de actividades, es necesario contar con datos etiquetados para entrenar modelos de clasificación. El etiquetado de la actividad se puede realizar mediante la observación, en condiciones controladas y por medio de auto-etiquetado. Las dos primeras formas de etiquetado se realizan de forma intrusiva, lo que la hace una tarea tediosa, tanto para quien realiza la actividad a etiquetar como para quien registra y etiqueta la información generada. En esta tesis se propone una técnica para el etiquetado de datos de la actividad de personas, por medio de gestos sutiles y fáciles de realizar, que son sensados y reconocidos mediante relojes inteligentes. Las señales obtenidas del sensor inercial del reloj inteligente son usadas para entrenar algoritmos de clasificación para poder detectar estos gestos. Se obtuvieron datos de 15 participantes que realizaron los seis gestos propuestos en tres posiciones diferentes. Con 208 características obtenidas a partir de las señales del acelerómetro y giroscopio se entrenaron dos algoritmos de clasificación (Maquinas de Soporte Vectorial y Optimización Mínima Secuencial), para detectar los seis gestos propuestos. El resultado obtenido es de una precisión del 81% para el uso de los seis gestos sutiles y un 91% en el uso de los primeros tres gestos sutilesThe use of supervised activity recognition algorithm requires labeled data in order to train classification models. Labeling an activity can be performed trough observation, in controlled conditions, or by self-labeling. The two first approaches are intrusive, which makes the task tedious for the person performing the activity, as well as for the one tagging the activity. In this work I propose a technique for activity labeling using subtle gestures that are simple to execute, and that can be sensed and recognized using smartwatches. The signals obtained by the inertial sensor in a smartwatch are used to train classification algorithms to identify the gesture. We obtained data from 15 participants who executed 6 proposed gestures in 3 different positions. 208 characteristics were computed from the accelerometer and gyroscope signals and were used to train to classification algorithms (Support Vector Machine and Sequential Minimal Optimization) to detect the six proposed gestures. The results obtained achieve a precision of 81% for the 6 subtle gestures, and 91% when using only the first 3 gestures.