脑机百科消息(bciwiki.com)，公开的脑电脑机接口数据集正在快速增加，但传感器、实验方案、任务与事件语义、预处理方式、受试者背景和评估设计上的差异，限制了结果的可重复性和跨数据集学习。拉脱维亚图里巴大学信息技术学院与里加技术大学信息技术研究所的研究者对此做了一项系统性映射综述，2026年9月15日发表于《Sensors》。综述检索了Scopus、Web of Science核心合集、IEEE Xplore、PubMed和ACM数字图书馆中2014年至2026年6月发表的文献，共得到16920条记录，经筛选和以证据为中心的整理后保留129篇出版物，并经全文复核确认。
综述把碎片化归纳为结构、语义、流程、受试者与背景、计算五个层面，覆盖采集方式、通道布局、任务与事件定义、预处理、受试者与场次背景以及评估设计上的差异。报告透明度用10项标准评估，保留语料库的中位得分为9分；数据可用性在61.2%的文献中有说明，代码或流程可用性在20.9%中有说明。作者强调，这些比例描述的是这份经过整理的语料库，而不是整个领域。
综述指出，现有标准、本体、软件平台、基准框架和迁移学习方法各自覆盖了互补的层面，但尚未提供完整的语义互操作。作者认为，可扩展的跨数据集分析需要依赖分析目标的兼容性规则、明确的来源信息、上下文元数据，以及可审计的转换过程，从而保留数据集身份、不确定性和信息损失。