人和机器人共融的核心是自然人机交互。基于运动想象脑电、稳态视觉诱发电位及事件相关电位的智能假肢、外骨骼机器人和康复机器人等BCI系统在残障人士的生活辅助和运动功能康复等方面取得了一定的研究成果,然而,这些技术仍存在脑机交互不自然的问题,如利用脚部的运动想象来控制神经假肢的功能。实现自然且直观的脑机接口控制可促进用户和BCI系统的共同演化过程,使得用户积极参与并改善康复效果。基于脑电的自然动作解码为实现直观且自然的脑机控制提供了一种新思路。从脑电图（Electroencephalography,EEG）中解码自然抓握动作对实现自然的神经假体控制及恢复或重建运动障碍患者的手功能具有重要意义。目前使用EEG解码自然手部运动的研究很少且不够深入,大多数研究只是尝试对两种或三种自然手部动作的分类解码,且解码性能有限。相关研究表明EEG中低频时域的运动相关皮质电位（Movement-related Cortical Potentials,MRCPs）蕴含的运动信息有助于提高自然运动的脑电解码性能。本文面向自然人机交互,开展基于脑电的手部自然动作解码研究。本研究以单侧肢体的五种自然手部抓握动作作为解码对象,分别是手掌抓握、指捏抓握、推拉抓握、旋转抓握和插拔抓握。本研究的核心内容包括:（1）面向自然人机交互,设计了手部自然抓握运动脑电实验平台。基于软硬件设计搭建实验数据采集系统,并开发了上位机控制平台用于同步数据记录。（2）基于运动相关自然动作脑电设计了实验范式,并招募志愿者开展脑电实验;对采集的数据展开预处理工作,提取时域与频域脑电特征并构建手部自然抓握运动解码模型。（3）对采集的脑电数据开展神经生理学现象分析和解码研究。MRCPs和脑电源成像分析的结果表明,五种不同抓握运动与不运动类别之间存在显著差异,且不同的抓握动作之间表现出不同的激活模式,证明脑电解码自然手部抓握运动的可行性。采用低频MRCPs特征开展解码实验。二分类结果表明,抓握条件与不运动条件的平均峰值分类准确率为75.06±6.8%,抓握与抓握条件之间的平均分类准确率为64.95±7.4%。多分类解码结果表明,五种不同的自然手部连续抓握动作的平均峰值分类准确率为36.7±6.6%。二分类及多分类的结果均优于机会水平之上,基于脑电的低频时域特征可以成功解码单侧手部五种不同的自然抓握动作。本文基于脑电的低频时域特征成功解码了单侧手部五种不同的自然抓握运动,本研究对实现自然且直观的脑机交互控制提供了一种新思路,为实现直观且自然的神经假肢或康复机器人控制增加了可能性,有助于未来解码手部运动信息的研究,对脑机接口未来的应用有重大意义。