El rápido avance en la tecnología de comunicación junto con el surgimiento del Internet de las Cosas Médicas (IoT) ha impulsado la extensa adopción de diversos sistemas de atención médica y monitoreo impulsados por sensores. Mientras que el desarrollo acelerado de sistemas de atención médica está en marcha, las preocupaciones sobre la filtración de privacidad de datos médicos también han atraído atención. El aprendizaje federado juega un cierto papel protector en los datos, pero estudios han demostrado que la transmisión de gradientes en entornos de aprendizaje federado aún conduce a la filtración de privacidad. Por lo tanto, propusimos esquemas de aprendizaje federado seguros y eficientes para sistemas de atención médica inteligente. En este esquema, utilizamos la tecnología de encriptación Paillier para cifrar los modelos de entrenamiento compartidos en el lado del cliente, asegurando la seguridad y privacidad de los modelos de entrenamiento. Al mismo tiempo, diseñamos un módulo de autenticación de identidad de conocimiento cero para verificar la autenticidad de los clientes que participan en el proceso de entrenamiento. En segundo lugar, diseñamos un algoritmo de compresión de filtrado de gradientes para eliminar gradientes actualizados localmente que eran irrelevantes para la tendencia de convergencia y utilizamos operadores de compresión computacionalmente insignificantes para cuantificar actualizaciones, mejorando así la eficiencia de comunicación mientras se garantiza la precisión del modelo. Los resultados experimentales demostraron que el esquema propuesto no solo tenía una alta precisión del modelo, sino que también tenía ventajas significativas en la sobrecarga de comunicación en comparación con los esquemas existentes.