Este artículo propone un novedoso marco de aprendizaje de pocos disparos en el dispositivo que logra simultáneamente la generalización entre usuarios y la personalización individual en el reconocimiento de la actividad humana (HAR) mediante diversas modalidades de detección. Para abordar la falla de generalización de los modelos HAR existentes a las variaciones específicas del usuario, primero aprendemos representaciones que se generalizan entre usuarios y luego actualizamos directamente una capa de clasificador ligero en dispositivos con recursos limitados que se adapta rápidamente a nuevos usuarios con solo un pequeño número de muestras etiquetadas. Implementamos y evaluamos nuestro marco en un microcontrolador RISC-V GAP9 utilizando tres conjuntos de datos de referencia: RecGym, QVAR-Gesture y Ultrasound-Gesture. La adaptación posterior a la implementación resulta en mejoras de precisión del 3,73 %, 17,38 % y 3,70 %, respectivamente. Esto permite un HAR portátil escalable, consciente del usuario y energéticamente eficiente. El marco se ha publicado como código abierto.
