В статье представлено исследование с использованием моделирования, посвященное применению федеративного обучения (FL) в системах Интернета медицинских вещей (IoMT) для классификации физиологических сигналов и непрерывного мониторинга. Авторы разрабатывают прототип, объединяющий федеративное усреднение, гауссово возмущение обновлений клиентов для обеспечения дифференциальной приватности (DP), а также механизм оценки доверия на уровне устройств и фильтрацию аномальных обновлений по величине градиента. В рамках экспериментальной части рассматривается конвейер классификации электрокардиограмм (ЭКГ), где сравниваются четыре подхода: централизованное обучение, традиционное федеративное обучение, федеративное обучение с дифференциальной приватностью и предложенная конфигурация ZT-FL (Zero-Trust Federated Learning). Результаты показывают, что предложенная конфигурация ZT-FL достигает точности (accuracy) 0.928, показателя F1 0.920 и площади под ROC-кривой (AUC) 0.968. Исследование подтверждает жизнеспособность предложенного подхода в рамках симуляции, однако авторы четко оговаривают, что результаты не устанавливают клиническую валидность, полный учет дифференциальной приватности, всестороннюю устойчивость к состязательным атакам или соответствие регуляторным требованиям. Криптографические и аппаратные компоненты моделируются как накладные расходы, а не реализуются на уровне протоколов.