بازشناسی خودکار فعالیت های انسان، بخشی جدایی ناپذیر از هر برنامه تعاملی با انسان است. یکی از چالش های عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیت ها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زمان طولانی انجام می شوند. در این مقاله، ما از داده های اسکلت که از توالی تصاویر RGB-D استخراج می شوند استفاده می کنیم. ما مدل گرافی را پیشنهاد می دهیم که قادر است فعالیت های پیچیده و ساده را بازشناسی کند. برای بهینه سازی پارامترهای مدل گرافی احتمالی از روش پیش بینی ساختاری توزیع شده استفاده می کنیم. این روش در سه مجموعه داده به طور گسترده مورد آزمایش (60-CAD، UT-Kinect و D3 Florence) قرار می گیرد که هر دو نوع فعالیت را پوشش می دهند. نتایج نشان می دهد که روش ما می تواند هر دو نوع فعالیت ساده و پیچیده را به طور مؤثر تشخیص دهد، در حالی که اکثر آثار قبلی تنها بر یکی از این دو نوع تمرکز می کنند. همچنین ما نشان می دهیم استفاده از روش های خوشه بندی برای مقداردهی اولیه تأثیر زیادی در نتایج دارد.