脑-机接口（Brain-computer interface，BCI）系统是一个通过采集、分析大脑信号，并将其转换为输出指令，实现由大脑信号对外部设备直接控制的系统。BCI研究的重要目标之一是为患有瘫痪或其他严重运动功能障碍的病人，提供一种不需要通过外周神经和肌肉便能实现对外交流的工具。基于运动想象的BCI系统是唯一一种不需要外界刺激，反映使用者自主运动意识且受使用者主动调控的BCI范式，可以将人们直接通过想象控制目标运动的畅想变为现实。其作业模式最符合大脑正常思维活动的状态，且不易让使用者感到疲劳。 

　　目前，基于EEG（Electroencephalogram）的运动想象型BCI主要集中于不同的肢体部位，而对于同一肢体更为精细的运动想象型BCI却鲜有报道。已有的不同肢体部位运动想象型BCI常常会导致运动意图与末端效应器之间的认知失联，举例来说，使用者需想象左手运动以控制机械手伸开，而想象右手运动则是控制机械手抓握，大脑想象的左右手运动与机械手实际运动间的不匹配为这一类型BCI的操作带来困难。因此，发展“所想即所得”的同一肢体精细运动想象型BCI系统具有重要价值，而当前这一领域研究的瓶颈问题急需在新型可分动作范式以及新型运动想象特征提取和分类方法方面进行探索解决。 

　　针对该问题，自动化所神经计算与脑机交互(NeuBCI)团队设计了单侧肢体不同关节运动想象的新范式（右手握拳、右肢屈肘、静息态），并对应采集了25名被试共计22,500个试次（trial）数据（图1-a）。该数据集根据BIDS-EEG数据标准进行整理并开源，提供三种阶段的数据以满足不同研究者的需求。团队研究了单侧肢体不同关节运动想象诱发的大脑激活模式（图1-b），提出通道相关网络（Channel-Correlation Network）来学习导联之间的整体表示，将集成学习应用于多个通道相关网络的输出，在三分类情况下解码精度达到87.03%。研究结果证明深度学习方法对同一肢体不同关节的运动想象任务解码的有效性，以及这种单侧肢体多个关节运动想象任务在实际应用中的潜力。 

　　这项研究为基于EEG的高精度运动意图解析提供了科学基础和技术支持，将促进运动想象脑机接口研究的发展，其在神经康复和智能机器人等领域有着重要的应用。