Les progrès récents en matière de capteurs sans fil pour les soins de santé personnels permettent de reconnaître les activités humaines en temps réel. L’analyse de ces flux de données peut présenter de nombreux avantages du point de vue de la santé, mais elle peut également conduire à des menaces concernant la vie privée en exposant des informations extrêmement sensibles. Dans cet article, nous proposons un cadre préservant la vie privée pour la reconnaissance d’activité. Ce cadre repose sur une technique d’apprentissage automatique permettant de reconnaître efficacement le modèle d’activité de l’utilisateur, utile pour la surveillance des soins de santé personnels, tout en limitant le risque de ré-identification des utilisateurs à partir de modèles biométriques caractérisant chaque individu. Pour y parvenir, nous avons d’abord analysé en profondeur différents schémas d’extraction de descripteurs dans les domaines temporel et fréquentiel. Nous montrons que les descripteurs du domaine temporel sont utiles pour discriminer l’activité de l’utilisateur, tandis que les descripteurs du domaine de fréquence permettent de distinguer l’identité de l’utilisateur. Sur la base de cette observation, nous avons ensuite conçu un nouveau mécanisme de protection qui traite le signal brut sur le smartphone de l’utilisateur et transfère au serveur d’application uniquement les descripteurs pertinents non liées à l’identité des utilisateurs. De plus, une approche basée sur la généralisation est également appliquée sur les descripteurs du domaine fréquentiel avant leur transmission au serveur afin de limiter les risques de ré-identification. Nous évaluons de manière approfondie notre cadre avec un ensemble de données de référence: les résultats montrent une reconnaissance précise de l’activité (87%) tout en limitant le taux de réidentification (33%). Cela représente une légère diminution de l’utilité (9%) par rapport à une amélioration importante de la confidentialité (53%) par rapport à l’état de l’art, tout en réduisant le coût en temps de calcul sur le serveur applicatif. Enfin, nous validons notre approche en l’appliquant sur une autre base de données contenant des signaux plus perturbés par du bruit.