1.一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，包括以下步骤：S1：利用动态区块链大小调整算法实时监测数据传输负载，并动态调整区块大小和分片数量；收集并预处理医疗机构内的原始医疗数据，基于预处理后的原始医疗数据，通过自适应特征融合技术得到综合特征；

S2：利用综合特征与多层隐藏层操作建立并训练医疗模型，得到预测结果；基于预测结果对医疗模型进行评估和优化，生成医疗模型参数更新值；对医疗模型参数更新值进行加密处理，生成加密参数更新值；对加密参数更新值进行签名处理，生成签名；对加密参数更新值和签名进行签名验证，并整合加密参数更新值，得到聚合参数更新值；对聚合参数更新值进行加密再解密，得到聚合参数更新值，对聚合参数更新值进行解密得到最终的参数更新值；并基于最终的参数更新值优化医疗模型。

2.根据权利要求1所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S1，具体包括：计算时间t的数据传输负载，公式如下：

其中，Lt是时间t的数据传输负载，Nt-k是时间t-k内加密参数更新值的传输数量，St-k是在时间t-k加密参数更新值传输数据量，Ft-k是时间t-k的加密参数更新值的传输频率，α、β、γ为权重系数，用于调整不同负载指标对数据传输负载的影响，v是滑动窗口的大小。

3.根据权利要求1所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S1，具体包括：原始医疗数据包括结构化医疗原始数据和图像医疗原始数据；预处理后的原始医疗数据包括结构化医疗数据和图像医疗数据；从结构化医疗数据和图像医疗数据中分别提取结构化医疗数据特征和图像医疗数据特征。

4.根据权利要求3所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S1，具体包括：自适应特征融合技术通过拼接结构化医疗数据特征和图像医疗数据特征，并利用注意力机制为拼接特征分配重要性权重。

5.根据权利要求4所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S1，具体包括：基于重要性权重对拼接特征进行加权融合，得到综合特征。

6.根据权利要求1所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S2，具体包括：医疗模型通过多层隐藏层对综合特征进行特征变换，并使用输出层输出预测结果；隐藏层的计算过程如下：第一层隐藏层的计算公式为：

其中，H(1)是第一层隐藏层的输出，是第一层隐藏层的权重矩阵，是第一层隐藏层的偏置向量，是综合特征，ReLU是激活函数；

第二层到第X层隐藏层的计算公式为：

其中，H(x)是第x层隐藏层的输出，是第x-1层隐藏层的输出H(x-1)经过第x层隐藏层后的结果，是第x层隐藏层的权重矩阵，是第x层隐藏层的偏置向量，m是第x层隐藏层的权重矩阵中元素的总数，表示第x层隐藏层的权重数量，是中的第个权重。

7.根据权利要求6所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S2，具体包括：输出层的计算公式为：

其中，H(X)是第X层隐藏层的输出，X表示隐藏层总数，是输出层的权重矩阵，是输出层的偏置向量，q是输出层权重矩阵中的元素总数，是中的第p个权重，是当医疗模型的输入为综合特征时的预测结果。

8.根据权利要求1所述的一种基于区块链和联邦学习的隐私保护医疗数据分析方法，其特征在于，所述S2，具体包括：安全融合聚合算法通过整合不同医疗节点的加密参数更新值，并引入平滑因子，计算聚合参数更新值；计算公式如下：其中，是聚合参数更新值，M是参与的医疗节点数量，E(ΔWη)是医疗节点η的加密参数更新值，是上一轮的聚合参数更新值；ω是平滑因子。