En los últimos años, los dispositivos del Internet de las Cosas en el ámbito de la salud (IoHT) han atraído una atención significativa de científicos de la computación, profesionales de la salud y pacientes. Estos dispositivos permiten a los pacientes, especialmente en áreas sin acceso a hospitales, grabar y transmitir fácilmente sus datos de salud al personal médico a través de Internet. Sin embargo, el análisis de información sensible de salud requiere un entorno seguro para salvaguardar la privacidad de los pacientes. Dada la sensibilidad de los datos de salud, garantizar la seguridad y la privacidad es crucial en este sector. El aprendizaje federado (FL) proporciona una solución al permitir el entrenamiento colaborativo de modelos sin compartir datos sensibles de salud con terceros. A pesar de que el FL aborda algunas preocupaciones de privacidad, la privacidad de los datos de IoHT sigue siendo un área que necesita un mayor desarrollo. En este documento, proponemos un marco de aprendizaje federado preservando la privacidad para mejorar la privacidad de los datos de IoHT. Nuestro enfoque integra el aprendizaje federado con la privacidad diferencial para diseñar un sistema de detección de intrusiones (IDS) efectivo y seguro para identificar ciberataques en el tráfico de red de los dispositivos de IoHT. En nuestro marco basado en FL, SECIoHT-FL, empleamos redes neuronales profundas (DNN) que incluyen modelos de redes neuronales convolucionales (CNN). Evaluamos el rendimiento del marco SECIoHT-FL utilizando métricas como precisión, recuperación, puntuación F1 y presupuesto de privacidad (). Los resultados confirman la eficacia y eficiencia del marco. Por ejemplo, el modelo de CNN propuesto dentro de SECIoHT-FL logró una precisión del 95.48% y un presupuesto de privacidad () de 0.34 al detectar ataques en uno de los conjuntos de datos utilizados en los experimentos. Para facilitar la comprensión de los modelos y la reproducción de los experimentos, proporcionamos la explicabilidad de los resultados utilizando SHAP y compartimos el código fuente del marco públicamente como software gratuito y de código abierto.