Los ortesis robóticos para tobillo-pie (AFO) se utilizan a menudo para la rehabilitación de la marcha. Nuestra investigación se centra en el diseño y desarrollo de un AFO robótico con el mínimo número de entradas de sensor. Sin embargo, esto conlleva a una degradación de la precisión de la estimación de la marcha. Para prevenir la degradación de la precisión, comparamos algunos modelos de redes neuronales para determinar la mejor red cuando solo se utilizan dos canales de entrada. Además, el valor de la característica de la señal EMG del promedio de la tasa de cambio se utilizó como entrada. LSTM mostró la mayor precisión. Sin embargo, MLP con un pequeño número de capas ocultas mostró resultados similares a LSTM. Además, la precisión de todos los modelos, con la excepción de LSTM para un sujeto (SD), aumentó con la adición del valor de la característica (promedio de la tasa de cambio) como entrada. En conclusión, las redes de series temporales funcionan mejor con un pequeño número de entradas de sensor. Sin embargo, dependiendo del optimizador utilizado, incluso una red simple puede superar a una red de aprendizaje profundo. Además, nuestros resultados muestran que la aplicación del valor de la característica de la señal EMG como entrada tiende a aumentar la precisión de estimación de la red.