Die Herausforderungen im Bereich der Pflege, die durch eine zunehmend ältere Bevölkerung entstehen, haben ambient assisted living zu einem bedeutenden Forschungsfeld gemacht. Computervision-basierte Technologien können die täglichen Aktivitäten älterer Menschen in ihren eigenen Wohnungen überwachen und dabei wertvolle Einblicke in deren Gesundheitszustand gewinnen, was ihre Fähigkeit verlängert, selbstständig zu leben. Dennoch wurde die breite Einführung dieser Technologien trotz ihrer Vorteile durch Datenschutzbedenken behindert. Diese Bedenken resultieren häufig aus der Notwendigkeit, Benutzerdaten in Echtzeit an Cloud-Server zur Berechnung zu übertragen, was ein Risiko für die Privatsphäre der Nutzer darstellt. In dieser Studie wird ein datenschutzorientierter Ansatz zur Aktivitätserkennung vorgestellt, der die Genauigkeit der Aktivitätserkennung lokal erhöht und somit die Übertragung von Benutzerdaten an die Cloud überflüssig macht. Die Beiträge dieses Beitrags sind zweifach: Zunächst wird ein Temporär entkoppeltes Graphen-Tiefengetrenntes Faltungsnetzwerk (Temporal Decoupling Graph Depthwise Separable Convolution Network, TD-GDSCN) vorgestellt, das den Herausforderungen der Echtzeit-Leistung begegnet, und zweitens eine Datenverstärkungstechnik, die eine Genauigkeitsverschlechterung unter realen Umgebungsbedingungen verhindert. Die experimentellen Ergebnisse zeigen, dass sowohl das TD-GDSCN als auch die Datenverstärkungstechnik gegenüber bestehenden Methoden in Bezug auf die Bewältigung von Echtzeit-Leistungsanforderungen und Genauigkeitsdegradation auf den Datensätzen NTU-RGB+D 60 und NW-UCLA überlegen sind.