سیگنال­های فیزیولوژیکی اطلاعات مختلفی در مورد بدن انسان ارائه می­دهند. تشخیص، پایش و درمان بیماری ها با دریافت صحیح سیگنال های فیزیولوژیکی امکان­پذیر است. این سیگنال ها با استفاده از حسگرهایی که تهاجمی یا غیر تهاجمی هستند به دست می­آیند. حسگرها یا الکترودهایی که روی عضله قرار میگیرند اطلاعاتی در مورد فعالیت الکتریکی عضلات می­دهند که به آن EMG می­گویند. ژست ها با استفاده از اعضای بدن مانند صورت و دست، ارتباط با دیگران را آسان می­کنند. فعالیت مشترک ماهیچه ها حرکات دست متنوعی ایجاد می­کند و می­توان آنها را پس از تمرین با الگوریتم های یادگیری ماشینی یاد گرفت و پیش­بینی کرد. تشخیص الگوی الکترومیوگرافی (EMG) سال‌ها برای تشخیص ژست‌ها و کنترل پروتزها و سیستم‌های توانبخشی مورد مطالعه قرار گرفته است. در سال‌های اخیر، تشخیص ژست‌های حرکتی دست بر مبنای سیگنال الکترومیوگرافی (EMG) به یکی از حوزه‌های پرکاربرد در تعامل انسان-رایانه، فناوری‌های کمکی، و کنترل اندام‌های مصنوعی تبدیل شده است. هدف این پایان‌نامه، طراحی، پیاده‌سازی و ارزیابی یک خط لوله کامل یادگیری ماشین برای طبقه‌بندی چهار ژست حرکتی دست (مشت، باز کردن، خم کردن مچ، و چرخش مچ) بر مبنای سیگنال هشت‌کاناله EMG است. در این پژوهش، پس از پیش‌پردازش (تفکیک آموزش/آزمون و نرمال‌سازی با StandardScaler) و تحلیل اکتشافی چندجانبه سیگنال شامل بررسی در حوزه زمان، کاهش بعد با PCA و t-SNE، محاسبه شاخص RMS، تحلیل همبستگی بین‌کاناله و بررسی فرکانسی با چگالی طیفی توان و طیف‌نگار دو مدل طبقه‌بند آموزش داده شد. جنگل تصادفی با ??? درخت تصمیم، به‌عنوان نماینده روش‌های یادگیری ماشین کلاسیک و یک شبکه عصبی کانولوشنی یک‌بعدی (1D-CNN)، به‌عنوان نماینده روش‌های یادگیری عمیق. عملکرد هر دو مدل با معیارهای چندگانه شامل دقت، ماتریس درهم‌ریختگی، منحنی یادگیری، منحنی Precision-Recall، و تحلیل اهمیت ویژگی ارزیابی شد. برای اعتبارسنجی فنی این خط لوله در مرحله حاضر پژوهش، از یک مجموعه داده استفاده شد. هر دو مدل جنگل تصادفی و CNN بر روی این داده به دقت طبقه‌بندی ???? دست یافتند که نشان‌دهنده صحت فنی پیاده‌سازی خط لوله پیشنهادی است. تحلیل اهمیت ویژگی نشان داد سهم غالب در تصمیم‌گیری مدل، متعلق به بخش محدودی از ویژگی‌های مرتبط با دامنه پایه سیگنال هر کانال است.