Bei Brain-Computer Interfaces (BCIs) werden spezifische Signalmuster im Gehirn erkannt und in Steuersignale umgewandelt. Besonders zuverlässig sind die Steady-State Visual Evoked Potentials, die auf externe Stimuli mit konstanter Frequenz reagieren. Verschiedene Frequenzen können verschiedenen Steuerbefehlen zugeordnet werden. Die praktische Nutzung von BCIs ist jedoch durch die Geschwindigkeit, Genauigkeit und Stabilität der Signalverarbeitung eingeschränkt, da Gehirnsignale sowohl zwischen Nutzern als auch zwischen Sitzungen variieren. Daher ist eine individuelle Kalibrierung der BCI-Parameter vor jeder Sitzung notwendig. Diese Dissertation untersucht zwei Herausforderungen der Kalibrierung. Zunächst wird die Merkmalsextraktion optimiert, um in zeitkritischen Anwendungen mit nur 0,5 Sekunden EEG-Daten den fokussierten Stimulus robust zu erkennen. Hierbei kommt eine autoregressive Störsignalabschätzung zum Einsatz, deren Modellordnung zwischen p=1 und p=60 kalibriert wird. Im zweiten Teil wird die Kalibrierung der Stimulusfrequenzen ab 30Hz betrachtet. Eine Re-Test-Untersuchung über sechs Wochen zeigt, dass die Frequenz von 32Hz als Stimulus stabil bleibt, unabhängig von den Probanden.
