Langzeitaufnahmen von Sensordaten zur Aktivitätserkennung ermöglichen die Detektion von Merkmalen innerhalb dieser Daten, wie z.B. Rhythmen und Qualitätsmuster für die durchgeführten Aktivitäten. Diese Informationen können zur Bestimmung von ähnlichen oder unterschiedlichen Alltagsroutinen genutzt werden. Diese Arbeit untersucht die Erkennung von physischen Aktivitäten mit Hilfe von tragbaren Sensoren und konzentriert sich dabei auf zwei wichtige Herausforderungen: Das Modellieren von rhythmischen Mustern abgeleitet aus dem Verhalten der Personen und die Detektion von komplexen Aktivitäten, wie z.B. ’zu Mittag essen’ oder ’schlafen’. Um diese Herausforderungen anzugehen, leistet diese Arbeit folgende Beiträge: Zunächst untersuchen wir die Nutzung verschiedener Plattformen zur Langzeitdatenerfassung: Einen Handgelenksensor sowie Mobiltelefone. In Bezug auf Mobiltelefone gibt es verschiedene Trageverhalten, welche zur Kontexterkennung in ubiquitären Systemen berücksichtigt werden müssen. Wir evaluieren das Trageverhalten mittels der Korrelation von Beschleunigungsdaten des Handgelenksensors mit den Bewegungsdaten des Mobiltelefon-Sensors. Zweitens untersuchen wir Datensätze, die wiederkehrende Aktivitätsmuster aufweisen, um komplexe Aktivitäten zu erkennen. Solche statistischen Daten beziehen wir aus Zeitbudgeterhebungen die beschreiben, welche Aktivitäten zu bestimmten Zeiten von Einwohnern eines Landes ausgeführt werden. Aus diesen Datensätzen extrahieren wir Features wie Zeit und Ort, um aufzuzeigen welche Aktivitäten mit Hilfe dieser Informationen erkannt werden können. Weiterhin untersuchen wir die Vorteile und die Grenzen der Nutzung solcher Daten. Drittens verwenden wir diese statistischen Informationen zur Verbesserung der Erkennungsraten von komplexen Aktivitäten. Unsere Vorgehensweise besteht darin, die Ergebnisse der Erkennung von komplexen Aktivitäten eines üblicherweise verwendeten Klassifizierers mit denen aus der Bestimmung des Maximum-Likelihood von Aktivitäten der Zeitbudgetdaten zu vergleichen. Daraufhin vereinen wir die Ergebnisse beider Vorgehensweisen und zeigen wie die Erkennungsraten dadurch verbessert werden. Der vierte Beitrag führt ein Aufnahmesystem ein, welches das Überwachen des Schlafes und des Schlafverhaltens über mehrere Wochen in der gewohnten Umgebung des Benutzers ermöglicht. Wir verwenden dabei einen Handgelenksensor zur Erfassung von Bewegungsdaten, in denen wir Schlafsegmente detektieren. Wir stellen drei verschiedene Schlafdetektionsalgorithmen vor: Eine Gauss-, eine auf einem Generativen Modell und eine auf stationären Segmenten basierende Vorgehensweise, die verschiedene Genauigkeiten in der Erkennung des Schlafes aufweisen. Der letztere Algorithmus wird mit zwei medizinisch evaluierten Algorithmen zur Schlafdetektion verglichen. Unsere Ergebnisse zeigen, dass Schlaf- und Wach-Segmente mit unserem neuartigen Algorithmus gleich gut erkannt werden können, während die zwei üblicherweise eingesetzten Algorithmen die Schlafdauer überschätzen. Weiterhin zeigen wir, wie rhythmische Muster innerhalb des Schlafes detektiert werden können: Schlafpositionen und Muskelzuckungen werden mit einer hohen Genauigkeit erkannt, wodurch Ärzten die Möglichkeit geboten wird, die Schlafdaten effizient zu begutachten.