基于脑-机接口(Brain computer interface,BCI)的稳态视觉诱发电位(Steady state visual evoked potential,SSVEP)在康复医疗、智能车、娱乐、军事和智能家居等领域有着很广泛的应用。上述系统的人机交互效率与被试的分类准确率密切相关,然而被试的个体脑结构差异、疲劳状态等因素均会导致被试的分类准确率降低,从而影响BCI系统的性能。为了提高BCI系统的普适性,本课题开展了系统的研究工作,具体如下:1)提出了一种基于自适应最优核时频表征(AOK-TFR)分析SSVEP脑疲劳特征的复杂网络方法。设计了被试在正常和疲劳两种不同状态下的实验;使用Fisher线性鉴别分析评估被试在不同状态下信号的分类准确率;使用二范数距离对基于AOK-TFR得到的脑电信号时频谱进行脑网络的构建;计算两种不同状态下生成的脑网络的小世界特性和节点的局部效率,研究了SSVEP范式下的脑疲劳机制。2)基于卷积神经网络和长短期记忆网络(CNN-LSTM)模型对正常被试在疲劳状态下和脑电文盲被试在正常状态下的SSVEP信号进行分类。利用快速傅里叶变换计算脑电信号的功率值;将计算得到脑电信号功率谱转换为保留空间结构的二维图像;使用构建的四种不同CNN-LSTM网络模型提取脑电信号的空间、频域、以及时间特征,并将其分析结果与其他分类算法进行对比。结果表明,本文提出的方法能将所有被试分类准确率提升到95%左右。3)设计了联合频率和相位调制的包含15个激励目标的SSVEP激励界面,用于提高BCI系统的应用广泛性;基于该界面设计了实验,使用CNN-LSTM网络对采集的实验数据进行了分析,所有被试分类准确率均在90%左右。结果表明,本文设计的CNN-LSTM网络模型也可用于解决SSVEP多分类问题,验证了所设计的联合频率和相位调制的激励界面可以提高BCI系统的普适性。