目标。传统的脑机接口（BMI）解码流程通常由多个串联的阶段组成，包括特征提取、时频分析以及统计学习模型等。这些阶段各自采用不同的算法，并按顺序依次训练，导致整个系统难以实现自适应。本研究旨在构建一个具备自适应能力的在线解码系统，通过单一目标函数和单一学习算法，实现全系统并行训练，从而提升解码性能。为此，我们采用深度神经网络架构，结合卷积神经网络（CNN）与一种特殊的循环神经网络（RNN）——长短期记忆网络（LSTM），以满足上述需求。方法。本研究使用Kubanek等人采集的皮层脑电图（ECoG）数据。实验任务为在视觉提示下执行单个手指的屈曲动作。所提出的模型融合了分层特征提取的CNN结构与能够处理序列数据并识别神经信号时序动态的RNN结构。其中，CNN作为特征提取器，用于自动捕获空间特征；LSTM则作为回归算法，用于建模信号的时间动态特性。主要结果。我们利用ECoG信号预测手指运动轨迹，并将以下五种方法进行对比：最小角度回归（LARS）、CNN-LSTM模型、随机森林、仅使用硬编码特征的LSTM模型（LSTM_HC），以及包含带通滤波、能量提取、特征选择与线性回归的传统解码流程。结果表明，深度学习模型在解码性能上显著优于传统线性模型。具体而言，深度学习模型不仅生成了更平滑、更符合实际的运动轨迹，还能够有效学习运动状态与静息状态之间的转换规律。意义。本研究提出了一种融合卷积神经网络与循环神经网络的BMI解码架构，成功将特征提取流程集成至卷积与池化层中，并利用LSTM层捕捉神经状态间的动态转换。该网络架构避免了传统解码流程中各步骤需独立训练的局限性，实现了端到端的联合优化。整个系统可通过随机梯度下降（SGD）进行高效训练，并具备在线学习能力，为构建高性能、自适应的实时脑机接口系统提供了新的技术路径。