摘要
基于 EEG 的脑机接口（BCI）公共数据集正在迅速扩展，但传感器、实验协议、任务/事件语义、预处理、参与者背景和评估方面的差异限制了可重复性和跨数据集学习。本综述考察了异质的 EEG-BCI 资源是否能支持跨来源的可重复分析。对 2014 年至 2026 年 6 月期间发表的文献进行了基于 PRISMA 的系统性映射综述，涵盖 Scopus、Web of Science Core Collection、IEEE Xplore、PubMed 和 ACM Digital Library 数据库，共获得 16,920 条记录。经过筛选和以证据为核心的整理，保留了 129 篇论文的精选综合语料库，并通过全文审查进行了确认。证据在结构、语义、程序、人类/上下文和计算碎片化方面进行了编码，并使用十个标准评估了报告透明度。综合结果表明，在采集、通道布局、任务/事件定义、预处理、参与者/会话背景和评估设计方面存在异质性。现有的标准、本体、软件平台、基准框架和迁移学习方法解决了互补层，但并未提供完整的语义互操作性。在保留的语料库中，透明度得分的中位数为 9/10；61.2% 的文献说明了数据可用性，20.9% 说明了代码或流水线的可用性。这些频率描述的是精选语料库，而非整个领域。可扩展的跨数据集分析需要依赖于分析的兼容性规则、明确的溯源信息、上下文元数据以及可审计的转换，以保留数据集身份、不确定性和信息损失。
