Con el desarrollo de la informática en el borde y el aprendizaje profundo, el reconocimiento inteligente del comportamiento humano ha generado extensas aplicaciones en mundos inteligentes. Sin embargo, la tecnología actual de informática en el borde enfrenta cuellos de botella de rendimiento debido a los recursos informáticos limitados en el borde, lo que impide implementar redes neuronales profundas avanzadas. Además, existe un riesgo de filtración de privacidad durante las interacciones entre el borde y el servidor. Para abordar estos problemas, proponemos un esquema de interacción colaborativa efectivo y preservador de la privacidad entre el borde y la nube basado en WiFi, llamado P-CA, para la detección del comportamiento humano. En nuestro esquema, una red neuronal auto-codificadora convolucional se divide en dos partes. Las capas superficiales se implementan en el lado del borde para inferencia y procesamiento preservador de la privacidad, mientras que las capas profundas se implementan en el lado del servidor para aprovechar sus recursos informáticos. Los resultados experimentales basados en conjuntos de datos recopilados de bancos de pruebas reales demuestran la efectividad y el rendimiento considerable del P-CA. La precisión de reconocimiento puede mantenerse en un 88%, aunque podría alcanzar alrededor del 94.8% sin la operación de mezcla. Además, el P-CA propuesto logra una mejor precisión de reconocimiento que dos métodos de vanguardia, es decir, FedLoc y PPDFL, en un 2.7% y 2.1%, respectivamente, manteniendo la privacidad.