本文针对医疗物联网（IoMT）环境中日益增长的网络安全威胁，提出了一种基于Tsetlin Machine（TM）的设备端可解释入侵检测系统（IDS）。TM是一种规则驱动的透明机器学习方法，通过命题逻辑表示攻击模式，具有天然的强可解释性。作者使用MedSec-25数据集（涵盖真实网络攻击的多个阶段）进行实验，结果表明所提模型在分类性能上达到97.83%，优于传统机器学习模型和现有最新方法。该系统不仅能高精度检测各类攻击阶段，还能通过特征级贡献、类别投票分数及子句激活热图提供明确的决策解释，增强了模型的可信度。此外，模型成功部署在Raspberry Pi等边缘设备上，支持实时设备端推理与入侵检测。该研究解决了IoMT场景中对于高准确率、可解释性及实时性的三重需求，为安全攸关的医疗应用提供了可行的解决方案。