In de afgelopen jaren heeft het gebruik van mobiele toestellen voor medische doeleinden (mobiele gezondheidsapplicaties) aandacht gekregen vanwege het potentieel om innovatie te brengen in de gezondheidszorg. Mobiele apparaten, zoals smartphones en smartwatches, kunnen grote hoeveelheden diverse gegevens verzamelen (bijv. hartslag, beweging, locatie, omgevingslicht) op een passieve en continue manier. Dit maakt het mogelijk om objectief en op afstand patiënten op te volgen, wat gunstig is voor het beheer van chronische ziekten en ouderenzorg. Echter, er ontstaan verschillende uitdagingen bij het realiseren van gedragsherkenning voor realworldscenario's. Dit werk richt zich op het ontwikkelen van machine-learningmodellen die robuust en nauwkeurig zijn in realworldsituaties. Het identificeert en adresseert verschillende uitdagingen bij het verzamelen en werken met realworlddata en onderzoekt verschillende methodologieën om deze uitdagingen te overwinnen.Vervolgens verkent het de mogelijkheid om enkel smartphonegegevens te gebruiken teneinde gedragsherkenning. Deze toestellen, uitgerust met diverse sensoren, worden door veel mensen dagelijks gebruikt, waardoor ze aantrekkelijk zijn als hoofdtoestel voor gedragsherkenning. Ten slotte moet bij het herkennen van verschillende gedragsaspecten rekening worden gehouden met de context waarin het gedrag zich voordoet. Dit werk onderzoekt de toegevoegde waarde van het opnemen van contextinformatie voor gedragsherkenningstaken zoals activiteitsherkenning en stressdetectie.