O monitoramento por meio de acelerômetros é útil para avaliar a qualidade da atividade física das pessoas. Como os dados coletados são tipicamente séries temporais, dependentes do tamanho e da consistência dos dados, pode ser necessário utilizar técnicas de geração de dados sintéticos. A privacidade dos dados é essencial para dados pessoais de usuários, mesmo que sintéticos, e compartilhá-los para treinar modelos pode não ser adequado. O aprendizado federado permite o treinamento dos modelos sem compartilhar os dados entre os clientes. Neste trabalho, é proposto um modelo de geração de dados sintéticos de séries temporais para atividade física por meio de aprendizado federado e Redes Adversárias Generativas (GANs), denominado FedTimeGAN. Foi realizada uma análise comparativa entre treinamento federado e centralizado para o modelo de geração de dados sintéticos de séries temporais. Os resultados obtidos revelam que a abordagem federada pode ser mais eficaz na geração de dados sintéticos de alta qualidade para esse tipo de aplicação, com dados de múltiplos usuários, além de manter a privacidade.