将联邦学习应用于无线身体区域网络(Wireless Body Area Network，WBAN)可解决隐私数据保护问题，但仍然面临着全局模型准确率下降和能耗高的挑战。提出了面向智慧医疗的联邦学习系统模型，构建了各个WBAN节点参与联邦学习的能耗模型，分析了其数据特性和资源特性。为保护本地数据隐私，避免直接获取原始数据信息，引入KL散度(Kullback-Leibler Divergence)代表各节点的统计异构程度，通过信道增益、带宽等指标代表各节点的系统异构程度，提出了一种结合SAC(Soft Actor-Critic)的联邦学习动态节点选择和资源分配方法。在每轮联邦学习训练开始前，SAC算法根据WBAN节点上传的数据特性和资源特性，动态选择参与训练的节点、分配本地计算资源和通信资源，解决WBAN节点的统计异构性和系统异构性导致的全局模型准确率下降和能耗高的问题。在CIFAR10、FashionMNIST、PathMNIST数据集上进行实验，实验结果表明，该方法相比FedAvg、FAVOR、FLASH-RL算法至多提高20%的全局模型准确率、降低50%的能耗，并加快了全局模型收敛速度、减小了准确率波动，证明了该方法的有效性。