Se requiere un reconocimiento preciso y en tiempo real de gestos para el funcionamiento autónomo de dispositivos de mano protésica. Este estudio emplea un modelo de red neuronal convolucional mejorado con atención de canal (CNN-ECA) para proporcionar un enfoque único para el reconocimiento de gestos mediante electromiografía de superficie (sEMG). La introducción del módulo ECA mejora la capacidad del modelo para extraer características y enfocarse en información crítica en los datos de sEMG, equipando así a los sistemas de mano protésica controlados por sEMG con las características de detección precisa de gestos y control en tiempo real. Además, sugerimos una estrategia de preprocesamiento para extraer señales de envolvente que incorpora un filtro pasa bajo Butterworth y la transformada rápida de Hilbert (FHT), que puede reducir con éxito la interferencia de ruido y capturar información fisiológica esencial. Finalmente, se adopta la técnica de ventana de votación mayoritaria para mejorar los resultados de predicción, mejorando aún más la precisión y estabilidad del modelo. En general, nuestro modelo de red neuronal convolucional de múltiples capas, junto con la extracción de señales de envolvente y mecanismos de atención, ofrece un enfoque prometedor e innovador para sistemas de control en tiempo real en manos protésicas, permitiendo acciones motoras finas precisas.