Die Entwicklung von motorischen Brain-Computer-Schnittstellen (BCI) beruht entscheidend auf Algorithmen zur Decodierung von neuronalen Zeitreihen. Neuere Fortschritte in der Architektur tiefer Lernverfahren ermöglichen eine automatische Merkmalsauswahl zur Approximation höherer Abhängigkeiten in den Daten. In diesem Artikel wird das FingerFlex-Modell vorgestellt – eine konvolutionale Encoder-Decoder-Architektur, die speziell für die Regressionsanalyse von Fingerbewegungen an elektrokortikographischen (ECoG) Hirndaten angepasst wurde. Mit diesem Ansatz wurde eine state-of-the-art-Leistung auf dem öffentlich verfügbaren BCI-Wettbewerbsdatensatz IV, Datensatz 4, erzielt, wobei die Korrelationskoeffizienten zwischen den tatsächlichen und vorhergesagten Bewegungstrajektorien bis zu 0,74 betrugen. Die vorgestellte Methode eröffnet die Möglichkeit zur Entwicklung voll funktionsfähiger, hochpräziser kortikaler motorischer Brain-Computer-Schnittstellen.