随着老年人口持续增加，养老照护面临的挑战促使环境辅助生活（ambient assisted living）成为重要的研究方向。基于计算机视觉的技术能够在家环境中持续监测老年人的日常活动，从而为健康状况提供洞察，并延长其独立生活的能力。然而，尽管此类技术具有显著优势，其广泛应用仍受到隐私问题的制约。这一问题主要源于用户数据需上传至云端服务器进行计算，从而带来隐私泄露的风险。为此，本研究提出一种保护隐私的活动识别方法，通过在本地提升活动识别的准确性，彻底避免用户数据向云端传输的需求。本文的贡献主要体现在两个方面：一是提出一种时序解耦图深度可分离卷积网络（Temporal Decoupling Graph Depthwise Separable Convolution Network, TD-GDSCN），以应对实时性能挑战；二是引入一种数据增强技术，有效缓解真实环境条件下模型精度下降的问题。实验结果表明，在NTU-RGB+D 60与NW-UCLA数据集上，所提出的TD-GDSCN结合数据增强方法，在应对实时性要求与环境扰动导致的性能退化方面，均显著优于现有方法。