La reconnaissance de l'activité humaine, dans un environnement non contrôlé, reste une problématique de taille. Dans cet article, nous proposons une méthodologie permettant de reconnaitre quatre types d'activité : debout, assis, allonger et marcher. Nous nous demandons si nous pouvons obtenir une bonne précision de reconnaissance de l'activité en utilisant des objets connectés. Cette étude exploite un smartphone et une smart Watch standards, portés par des participants durant des expériences non contrôlées. Nous proposons un pré-calcul en utilisant la transformée en cosinus discrète (DCT), nous identifions la meilleure taille de la fenêtre de découpage des signaux et le meilleur descripteur permettant d'avoir les meilleurs résultats de reconnaissance. Nous montrons que Support Vector Machines (SVM) permet d'avoir les meilleurs résultats par rapport aux autres algorithmes de classification (arbres de décision(DT)). Les résultats montrent que la précision de classification a atteint 91%, dans un environnement non contrôlé et en positions non contrôlées du smartphone. Nous définissons la notion de transition qui correspond à la transition entre deux activités et entre deux positions du smartphone. Le dernier résultat montre que la suppression des transitions permet d'obtenir de meilleurs résultats de classification : 98%.