Human Action Recognition (HAR) is the difficulty of quickly identifying strenuous exercise performed by people. It is feasible to sample some measures of a body's tangential acceleration and speed using inertial sensors and exercise them only to learn model skills of incorrectly categorizing behavior into the relevant categories. In detecting human activities, the use of detectors in personal and portable devices has increased to better understand and anticipate human behavior. Many specialists are working toward developing a classification that can distinguish between a user's behavior and uncooked data while utilizing as few reserves as possible. A Long-term Recurrent Convolutional Network (LRCN) is proposed as a comprehensive human action recognition system based on deep neural networks in this paper.