Eine der spannendsten Herausforderungen bei ECoG-basierten Brain-Machine Interfaces (BMI) ist die Bewegungsvorhersage. Die Fähigkeit, solche Vorhersagen zu treffen, eröffnet den Weg zu einer hochpräzisen Steuerung von Maschinen, beispielsweise von Robotermanipulatoren oder robotischen Händen. Angesichts der zunehmenden Aufmerksamkeit der BCI-Community für dieses Problem stellt die vierte BCI Competition eine Datensammlung bereit, deren Ziel darin besteht, individuelle Fingerbewegungen aus ECoG-Signalen vorherzusagen. Die Schwierigkeit dieser Aufgabe beruht darauf, dass zwischen ECoG-Signalen und Fingerbewegungen keine einfache Beziehung besteht. In diesem Beitrag schlagen wir vor, die Fingerbeugungen mittels Schaltmodelle zu schätzen und zu entschlüsseln, die durch einen verborgenen Zustand gesteuert werden. Schaltmodelle ermöglichen es, vorherige Kenntnisse über das Dekodierungsproblem zu integrieren und unterstützen somit die Vorhersage feinster und präziser Bewegungen. Unser Modell basiert daher auf einem ersten Block, der ermittelt, welcher Finger sich bewegt, sowie einem zweiten Block, der, basierend auf der Kenntnis des bewegten Fingers, die Bewegungen aller anderen Finger vorhersagt. Numerische Ergebnisse, die der Competition eingereicht wurden, zeigen, dass das Modell hohe Dekodierleistungen erzielt, wenn der verborgene Zustand gut geschätzt wird. Mit einer Korrelationsmaßzahl von 0,42 zwischen realen und vorhergesagten Bewegungen erreichte dieser Ansatz den zweiten Platz in der BCI Competition.