Este artículo propone un sistema de detección de intrusiones basado en aprendizaje federado para abordar vulnerabilidades de seguridad en los sistemas de salud del Internet de las Cosas (IoMT). Si bien el IoMT permite el diagnóstico temprano de enfermedades y el tratamiento personalizado mediante la recopilación de datos de salud en tiempo real, la sensibilidad de estos datos los hace vulnerables a amenazas de seguridad. En este artículo, abordamos estos desafíos implementando la detección de intrusiones basada en redes neuronales artificiales, la protección de la privacidad basada en aprendizaje federado y una mejor interpretabilidad de los modelos mediante inteligencia artificial explicable (XAI). Utilizando conjuntos de datos médicos y de red que simulan diversos tipos de ataques, comparamos la eficacia del marco propuesto con la de un enfoque centralizado. Demostramos que el enfoque de aprendizaje federado funciona de manera similar al enfoque centralizado, preservando simultáneamente la privacidad y proporcionando explicabilidad del modelo.
