该论文针对医疗物联网（IoMT）传感器数据流中的虚假数据注入（FDI）攻击，提出了一种双通道时空注意力框架DSTAN-Med。FDI攻击通过篡改传感器传输过程中的生命体征数据，威胁患者安全，而现有深度学习方法将传感器间空间相关性与时间依赖性混合在共享潜在空间中，无法区分攻击同时留下的独特时空特征，且缺乏利用领域知识约束输出的机制。DSTAN-Med包含三个核心组件：双通道注意力机制（DAM），将多变量传感器窗口分别输入独立的传感器维度自注意力（SWA）和时间维度自注意力（TWA），运行在正交张量轴上，以分离时空特征；残差1D-CNN块用于局部时间特征提取；零参数的生理合理性过滤器（PPF），利用医学领域知识抑制违反生理合理性的攻击信号。在三个IoMT传感器数据集上（ICU生命体征、连续ICU波形、可穿戴生物传感器信号）进行实验，DSTAN-Med相比最强Transformer基线（TranAD）平均敏感度提升7.4-8.3个百分点，统计显著性p<0.01（McNemar检验，Holm-Bonferroni校正）。PPF独立贡献3.1-4.2个百分点的精度提升，且敏感度损失可忽略。消融实验确认每个组件均不可或缺，仅移除残差连接就导致敏感度下降14个百分点。代码已公开于GitHub。该工作为IoMT环境下对抗传感器欺骗攻击提供了高效、可解释的检测方案，适合医疗网络安全研究人员和智能医疗系统开发者阅读。