基于多分类运动想象的在线BCI（braincomputerinterface，脑机接口）中，如何实时处理高速EEG（electroencephalogram，脑电）数据流是实现在线意识识别的难点，其关键是高速计算和复杂情况下的预测问题。以线程并发作为解决高速计算问题的切入点，首先将EEG信号分析任务分解为多个线程子任务，并通过缓冲区管理策略解决线程并发带来的协同问题，针对高速EEG数据流的复杂变化问题，采用自适应单向模糊推理的方法预测数据流伸缩变化，并针对线程并发造成的中间结果的错序问题，设计信号量互斥与同步方法对中间数据块进行顺序重组。针对多名受试者的大量实验显示，单次Trial平均延迟