Les défis liés aux soins posés par une population vieillissante ont fait du « vivre assisté en milieu ambiant » un domaine de recherche majeur. Les technologies basées sur la vision par ordinateur permettent de surveiller les activités quotidiennes des personnes âgées dans leur domicile, offrant ainsi des éclairages précieux sur leur état de santé et contribuant à prolonger leur autonomie. Toutefois, malgré les avantages de ces technologies, leur adoption généralisée est freinée par des préoccupations liées à la vie privée. Ces préoccupations proviennent souvent du besoin de transmettre les données utilisateur vers des serveurs cloud pour le traitement, ce qui expose les utilisateurs à des risques de violation de leur vie privée. Cette étude propose une méthode préservant la vie privée pour la reconnaissance d’activités, qui améliore la précision de la reconnaissance sur le dispositif local, éliminant ainsi la nécessité de transmettre les données utilisateur vers le cloud. Cette contribution se décline en deux volets : un réseau neuronal à convolution séparable profonde par graphe à découplage temporel (TD-GDSCN), conçu pour surmonter les difficultés liées à la performance en temps réel, et une technique d’augmentation des données visant à prévenir la dégradation de la précision dans des conditions environnementales réelles. Les résultats expérimentaux démontrent que le TD-GDSCN combiné à la technique d’augmentation des données surpassent les méthodes existantes en matière de performance en temps réel et de résistance à la dégradation sur les jeux de données NTU-RGB+D 60 et NW-UCLA.