یکی از روش های استخراج فرمان های حرکتی برای کنترل پروتزهای فعال دست، استفاده از سیگنال های بیولوژیکی است. سیگنال الکترومایوگرام سطحی (semg) یکی از این سیگنال ها است که اغلب برای کنترل پروتز دست به کار می رود. در این روش فرمان های حرکتی با استفاده از الگوریتم های مبتنی بر تشخیص الگو از سیگنال های مایوالکتریکِ ثبت شده از عضله استخراج گردیده و از آن ها برای کنترل پروتز استفاده می شود. الگوریتم های تشخیص الگو شامل دریافت و گردآوری داده، پیش پردازش، استخراج ویژگی و در نهایت طبقه‎ بندی است. داده های مورد استفاده در این پایان نامه از پایگاه دادگان ninapro گرفته شده است. این پایگاه داده شامل داده های کینماتیک و semg فرد سالم برای 52 حرکت انگشت، پنجه و مچ دست است که با استفاده از 10 الکترود ثبت شده است. ابتدا سیگنال گرفته شده از پایگاه داده، فیلتر شد. پس از آن با استفاده از دو شیوه ی پنجره گذاری، قسمت اصلی سیگنال جدا شد. هشت ویژگی زمانی مختلف (mav، iav، rms، wl، e، er1، er2، cc) از سیگنالِ جدا شده استخراج گردید. در ادامه عملکرد طبقه بندی کننده های lda، ls-svm و mlp با ویژگی های تکی، دوتایی و چندتایی، با هر دو شیوه ی پنجره گذاری مورد بررسی و مقایسه قرار گرفت. بهترین میانگین دقت طبقه بندی در این طبقه بندی کننده ها به ترتیب مقادیر 84/23، 85/19 و 96/34 درصد به دست آمد. همچنین به منظور افزایش دقت، سلسله مراتبی کردنِ روند طبقه بندی پیشنهاد گردید. ساختار های سلسله مراتبی به صورت دو سطحی و سه سطحی، و بر اساس طبقه بندی کننده های lda و ls-svm ارزیابی شد. عملکرد طبقه بندی کننده های سلسله مراتبی با استفاده از طبقه بندی کنندها ی یکسان و غیریکسان در تمام سطوح و همچنین ویژگی های تکی، دوتایی و چندتایی مورد بررسی قرار گرفت. در ساختار طبقه بندی کننده ی سلسله مراتبیِ دو سطحی، بهترین میانگین دقت طبقه بندی 89/13 درصد و در ساختار سه سطحی، 90/51 درصد محاسبه شد. در نهایت عملکرد طبقه بندی کننده های مسطح و سلسله مراتبی مورد مقایسه قرار گرفت.