La última década ha sido testigo del rápido desarrollo de las interfaces cerebro-computadora (BCI). La contradicción entre las tasas de comunicación y los tediosos procesos de entrenamiento se ha convertido en una de las principales barreras que restringen la aplicación de las BCI basadas en potenciales evocados visuales de estado estable (SSVEP). En este estudio se propuso un detector turbo para resolver este problema. El detector turbo utiliza el análisis de correlación canónica de bancos de filtros (FBCCA) como detector de primera etapa y luego utiliza la información suave generada por el detector de primera etapa y el conjunto de datos identificados generados durante el uso para completar la detección de segunda etapa. Esta estrategia permite mejoras rápidas en el rendimiento a medida que aumenta el tamaño del conjunto de datos. Se utilizó un conjunto de datos de referencia estándar para evaluar el rendimiento del método propuesto. Los resultados muestran que el detector turbo puede lograr un ITR promedio de 130 bits/min, que es aproximadamente un 8% más alto que FBCCA. A medida que aumenta el tamaño del conjunto de datos, el ITR del detector turbo podría mejorarse aún más.