本文针对医疗物联网（IoMT）环境中的入侵检测难题提出了一种可解释的混合特征选择方法。IoMT 网络中的设备异构性强、计算资源有限，且流量需要实时分析，这使得传统入侵检测系统难以直接部署。作者设计了一套两级特征选择流程：首先利用 Pearson 相关系数过滤掉冗余属性，然后结合基于模型的特征重要性与 SHAP 归因分析，从原始特征中挑选出一个紧凑的子集。在该子集上训练随机森林和 LightGBM 分类器，并使用 SHAP 和 LIME 解释每个保留特征对决策的贡献。实验基于 CIC-IoMT 2024 和 CIC-IDS 2017 两个数据集，结果表明该方法能将特征空间从 40 维最高压缩至 5 维（缩减率高达 88%），同时准确率和 F1 分数仅比使用全部特征时低几个百分点。这一结果说明，紧凑且可解释的检测器在资源受限的医疗网络中具有良好的部署潜力，兼顾了检测性能、可解释性与计算开销。本文适合关注医疗物联网安全、入侵检测、可解释人工智能及资源受限场景下模型部署的研究人员和工程人员阅读。