脑机接口能够在没有人体自身运动系统和神经系统的帮助下,在大脑与其它机器之间建立一条通道,它在科研、医疗、军事以及娱乐方面都有着很广泛的应用。P300Speller是脑机接口中一个应用较多的实验范式,它能够通过识别大脑中的P300事件相关电位来帮助用户完成字符的输出。本文针对P300 Speller中的信息传输率(ITR)较低的问题展开了研究,并提出了一种P300实时分布式计算机制。先前关于用来提升P300脑机接口信息传输率的研究,不论是通过改进信号处理的机器学习算法,还是提出一种新的实验范式,它们在整个信号处理的过程中都采用的是一种串行的计算方式。本文所提出的基于Storm的P300实时分布式计算机制则采用的是一种并行的计算方式,通过这种新型的计算方式来提升信息传输率。尽管有许多类型的P300实验范式,但是它们在信号处理过程中的流程是基本一致的。本文简化了信号处理过程中的技术细节,仅仅以preprocess()、segment()、extract()、classify()和synthesize()这五个函数来代表信号处理中5个阶段的计算过程,从而可以将研究重点集中于如何使用分布式计算框架Storm来对各个阶段作并行处理。在分布式框架中,对于计算复杂度高的处理过程,分配给它更多的资源让它进行并行计算提高计算效率,而对于复杂度低的处理过程,则不需要并行计算,以避免资源的浪费。同时本文还使用了一个在线自适应的阂值算法,动态调节重复刺激的个数,当被试发挥的效果好时,可以提前终止字符矩阵的闪烁,输出拼写结果,从而在保证准确率的情况下可以节少拼写时间。本文以P300Speller作为实验范式,以信息传输率作为评价指标,让8名被试分别完成了使用传统P300和本文所提出的并行P300的在线实验进行对比。实验结果表明,在使用了本文所提出的并行P300的效果明显优于传统P300的效果。其中,在同样只使用了SWLDA分类器的情况下,传统P300的ITR值仅为6.95bits/min,而并行P300则达到了 11.35bits/min,提升了63%的效果;在同样使用了SWLDA分类器和小波分析特征提取的情况下,传统P300的ITR值仅为7.14bits/min,而并行P300则为11.70bits/min,信息传输率提高了64%。