La dynamique des mouvements liés à une activité (marche, vélo, etc.) est souvent déterminée par des interactions complexes impliquant diverses parties du corps. Ces dynamiques font partie d'un processus sous-jacent de génération de données et l'intégration de celui-ci dans les systèmes de reconnaissance d'activités basés sur des données peut améliorer leur robustesse et leur efficacité. Dans cet article, nous proposons de modéliser le processus de génération de données et de l'utiliser afin de contraindre l'apprentissage de modèles plus simples au travers de la sélection d'exemples. Nous présentons les résultats des expériences menées sur le jeu de données SHL collecté dans des conditions réelles à partir d'un environnement riche en capteurs. Comparativement au cadre de base, notre approche permet une amélioration des performances de reconnaissance tout en réduisant simultanément de moitié le nombre de sources de données nécessaires.