본 논문에서는 운동 상상(MI)에 기반한 뇌-컴퓨터 인터페이스(BCI) 시스템을 통해 자연스러운 손 잡기 작업을 디코딩하는데 있어서의 복잡성을 해결하기 위한 방법을 제안한다. 기존에는 큰 신체 부위의 움직임, 예를 들어 두 손, 팔, 또는 다리의 움직임 의도를 디코딩하는 BCI 연구들이 주요한 관심사였으나, 고차원적인 손 잡기와 같은 행동의 MI 디코딩에 대한 연구는 아직도 개선의 여지가 많다. 자연스러운 손 잡기 작업에 관한 고차원적인 행동의 MI 디코딩은 디테일한 특성들이 손실되는 것이 불가피하며, 이로 인해 잘못된 손의 움직임이나 다양성의 제한 등의 문제가 발생하게 된다. 이러한 문제를 해결하기 위해, 본 연구에서는 EEG 신호에서 손 잡기 유형을 정확하게 예측하기 위해 EMG를 활용하는 운동 표현 기반 심층 신경망(KRDNN)이라는 새로운 방법론을 제안한다. 이 방법론은 모델 훈련 중에 EMG를 지침으로 사용하여 EEG 신호와 손 잡기 사이의 정보 차이를 줄이는 방식으로 동작한다. 이를 통해 다양한 잠재적 표현들을 계층적으로 결합하고, 각각의 특성들을 계층적으로 학습함으로써 복잡한 MI 디코딩에서 최종 분류 성능을 향상시킨다. KRDNN은 네 가지 잡기 유형 분류에서 평균 분류 정확도 0.68 (±0.09), 두 가지 잡기 범주 분류에서 0.86 (±0.04)를 달성하였다. 또한 온라인 분류에서는 평균 정확도 0.65 (±0.09)와 0.79 (±0.09)을 보여주었다. 이러한 결과는 본 연구가 기존의 비교 대상 방법론들에 비해 우수함을 입증하며, 특히 자연스러운 손 잡기 작업이라는 고차원적인 행동의 MI 디코딩에 대한 실현 가능성을 확인하였다. 이로써 제안하는 방법론은 로봇 손 또는 신경보철과 같은 다양한 BCI 응용 분야에 기여할 수 있을 것으로 기대된다.