La estimulación eléctrica funcional (FES) ha demostrado ser una técnica de rehabilitación confiable que aumenta la fuerza muscular, reduce los espasmos y mejora la neuroplasticidad a largo plazo. Sin embargo, los sistemas de estimulación eléctrica disponibles en el mercado producen señales de estimulación sin amplitudes de voltaje-corriente personalizadas, lo que podría llevar a la fatiga muscular o a un movimiento terapéutico forzado incompleto. Este trabajo propone un sistema de FES asistido por estrategias de aprendizaje automático que podría ajustar la señal de estimulación en función de la información de electromiografía (EMG). Se propone la regulación de la señal estimulada de acuerdo con los requisitos terapéuticos del paciente. Las señales de EMG fueron clasificadas utilizando Memoria a Largo y Corto Plazo (LSTM) y un modelo de conjunto de refuerzo de mínimos cuadrados con una precisión del 91.87% y 84.7%, respectivamente, cuando se utilizó un conjunto de 1200 señales de seis pacientes diferentes. Los resultados de la clasificación se utilizaron como entrada para un segundo algoritmo de aprendizaje automático de regresión que produjo la señal de electroestimulación ajustada requerida por el usuario de acuerdo con sus propias condiciones electrofisiológicas. La salida de la segunda red sirvió como entrada para un electroestimulador procesado digitalmente que generó la señal necesaria para ser inyectada en la extremidad a tratar. Los resultados se evaluaron en escenarios simulados y robotizados de la mano humana. Estas evaluaciones demostraron un error del dos por ciento al replicar el movimiento requerido impuesto por la información de EMG recopilada.