Una interfaz cerebro-computadora (BCI) basada en el potencial evocado visual de estado estable (SSVEP) ha logrado un rendimiento notable en el campo de la conducción automática. Los estímulos prolongados de SSVEP pueden causar fatiga en el conductor y reducir la eficiencia de la interacción. En este documento, se propone un sistema BCI híbrido asincrónico multimodal que combina el seguimiento ocular y las señales de EEG para la identificación dinámica de peatones amenazantes en la conducción. Las flechas de estímulo de diferentes frecuencias y direcciones se superponen aleatoriamente en los objetivos de peatones. Los sujetos escanean los estímulos según la dirección de las flechas hasta que se selecciona al peatón amenazante. Los umbrales determinados por experimentos offline se utilizan para distinguir entre los estados de trabajo e inactividad de los experimentos en línea asincrónicos. Los sujetos necesitan juzgar y seleccionar a los peatones potencialmente amenazantes en los experimentos en línea de acuerdo con su propia experiencia subjetiva. Las tres decisiones propuestas filtran los resultados con baja confianza y mejoran efectivamente la precisión de selección del BCI híbrido. Los resultados experimentales de seis sujetos muestran que el sistema BCI híbrido asincrónico propuesto logra un mejor rendimiento en comparación con un solo SSVEP-BCI, con un tiempo de selección promedio de 1.33 s, una precisión de selección promedio del 95.83% y una tasa de transferencia de información (ITR) promedio de 67.50 bits/min. Estos resultados indican que nuestro BCI híbrido asincrónico tiene un gran potencial de aplicación en la identificación dinámica de peatones amenazantes en la conducción.