本文针对医疗物联网（IoMT）环境中完整性攻击检测的评估基准缺失问题，提出了一个名为 IoMT-SecAlarmBench 的半合成基准数据集。IoMT 将临床生理数据与网络系统信息相结合，使得判断异常读数究竟源于真实生理事件、设备故障还是发生在正常生理范围内的网络攻击变得极为困难。现有数据集均未提供反事实（counterfactual）真值，因此无法可靠回答这一问题。该基准通过在真实的耦合 ECG+PPG 记录中注入受控的完整性攻击来构建，采用结构化实验设计，涵盖四种攻击形态、四种严重程度、两种生理合理性条件以及重放攻击。每个注入窗口都保留其成因、攻击子类型以及未受攻击时本应观察到的干净信号。作者评估了来自五个方法族系的六种检测器，使用阈值无关指标和匹配误报预算进行比较。结果表明，没有任何方法能持续检测最困难的情况：重放攻击和低幅瞬态尖峰在所有检测器上均接近随机水平。结果还揭示了检测攻击与区分传感器故障之间的权衡：在困难样本上表现最好的检测器在故障/伪影窗口上的误报率是正常数据误报率的 5.3 倍。三路分类对真实生理事件的表现较差，而且对双模态网络数据集的泄漏审计表明，先前报告的 IoMT 入侵检测性能部分是由主体识别信息（identifying information）驱动的。该基准、生成代码、预处理工具、评估工具和数据手册均已发布。本文适合 IoMT 安全研究人员、医疗设备安全工程师以及入侵检测系统评估人员阅读，以了解当前检测能力的边界和基准设计中的反事实真值重要性。