1.一种基于CCA系数阈值的SSVEP异步识别方法，其特征在于，所述方法包括以下步骤：步骤一、离线训练阶段，过程如下：

在不同频率目标块刺激下，分别开展控制任务和空闲任务的离线试验，采集大脑枕区信号，得到空闲状态与凝视状态两个离线数据集；

将所述两个离线数据集分别在基频及不同谐波频率处对不同长度的数据进行功率谱密度的计算，得到空闲状态与凝视状态划分的功率谱密度分析阈值；

将所述两个离线数据集分别对不同长度的数据进行CCA系数阈值的计算，得到空闲状态与凝视状态划分的CCA系数阈值；

对上述两个离线数据集进行计算分析，得到最佳的信号划分窗口长度与最佳处理频率，与最佳的通道区域CCA系数阈值与功率谱密度的权值系数；

步骤二、在线分类阶段，过程如下：

实时采集大脑最佳通道区域脑电信号，将窗口数据进行滤波，再进行功率谱密度与CCA系数阈值计算，得到分类结果；若结果为凝视状态记为+1；空闲状态记为‑1；每5个窗口进行一次判断，将5次分类结果相加，若大于0则为凝视状态，小于0为空闲状态；

所述步骤一的过程如下：

1.1)采集大脑枕区信号，包括以下步骤：在Oz、O1、PO3、P1、POz、Pz、P2、PO4、O2共9个位置放置测量电极，界面上显示6个不同频率闪烁的刺激源，分别为8Hz、9Hz、10Hz、11Hz、

12Hz；

1.2)数据预处理，对脑电信号做带通滤波与陷波，将数据划分为凝视状态数据与空闲状态数据，将被试者双眼凝视刺激目标记为凝视状态，视线远离刺激目标记为空闲状态；

1.3)对数据进行划窗，每个实验数据的长度为5s，将数据按照0.5s‑4s的长度进行划分，步长为0.1s，将长度为5s的数据划窗；

1.4)对数据进行处理计算，具体步骤如下：

A、用CCA算法将1.3)中数据进行处理，得到的特征矩阵与刺激信号数目相对应，N维刺激向量表示为：F＝[R1,R2,R3,R4,R5,R6]，CCA系数计算方式为：Per：CCA系数；

Rmax：F特征矩阵中最大特征值；

Rmax：F特征矩阵中第二特征值；

B、将1.3)中数据分别在基频及不同谐波频率(8‑13Hz、8‑26Hz、8‑39Hz、8‑52Hz、16‑

26Hz、16‑39Hz、16‑52Hz、24‑39Hz、24‑52Hz、32‑52Hz)下进行功率谱的计算；

1.5)将1.4)中计算结果带入计算，找到产生最佳结果的脑电采集通道、窗口大小、最佳的功率谱选取频段与阈值PowThre、CCA系数阈值PThre、以及权值系数W＝[w1，w2]；

所述步骤二的过程如下：

2.1)在线情况下采集最佳通道组合的脑电数据，被试者自行选择凝视目标块的时间与时长；

2.2)将2.1)中信号进行带通滤波与陷波；

2.3)根据离线训练得到最佳窗口大小，将数据进行划窗，步长为0.1s，数据记为Data＝[D1,D2,D3,D4,D5]；

2.4)对2.3)中数据进行CCA系数与功率谱计算，并与相应的阈值进行比较，比较后结果矩阵利用权值系数进行降维，得到最后的结果系数Rall＝[R1,R2,R3,R4,R5]：R：结果系数；

Comb：CCA‑PSD混合系数；

Comb＝[w1,w2]·[PRESULT，PowRESULT]PRESULT：CCA系数阈值的结果系数，

PowRESULT：功率谱阈值的结果系数， Pow为最佳频段下的功率谱计算结果；

2.5)将2.4)中结果系数的值进行累加，若结果大于0，则认为该段信号处于控制状态，输出Rmax＝max F作为分类检测的结果；若结果小于1，则认为仍处于空闲状态，前进一个窗口，继续对信号进行识别投票。