Die One-Shot-Aktionserkennung zielt darauf ab, neue Aktionenkategorien anhand eines einzigen Referenzbeispiels zu erkennen, das in der Regel als Ankerbeispiel bezeichnet wird. Diese Arbeit präsentiert einen neuen Ansatz für die One-Shot-Aktionserkennung in natürlichen Umgebungen, der bewegungsrepräsentative Modelle berechnet, die robust gegenüber variablen kinematischen Bedingungen sind. Die One-Shot-Aktionserkennung wird dann durch die Bewertung von Anker- und Zielbewegungsrepräsentationen durchgeführt. Darüber hinaus entwickeln wir eine Reihe ergänzender Schritte, die die Aktionserkennungsleistung in den anspruchsvollsten Szenarien verbessern. Unser Ansatz wurde auf dem öffentlichen NTU-120 One-Shot-Aktionserkennungsbenchmark evaluiert und übertreffen dabei vorherige Aktionserkennungsmodelle. Zudem testen wir unser Framework in einem realen Therapiefall mit autistischen Menschen. Diese Aufnahmen sind besonders herausfordernd aufgrund hochgradiger Artefakte aus der Patientenbewegung. Unsere Ergebnisse liefern nicht nur quantitative, sondern auch online qualitative Maßnahmen, die für die Bewertung und Überwachung des Patienten während der tatsächlichen Therapie entscheidend sind.