Recientemente, la aplicación de bioseñales en los campos de gestión de la salud, interacción humano-computadora (HCI) y autenticación de usuarios ha aumentado. Esto se debe al desarrollo de la tecnología de inteligencia artificial, que puede analizar bioseñales en numerosos campos. En el caso del análisis de bioseñales, los resultados tienden a variar dependiendo del analista, debido a una gran cantidad de ruido. Sin embargo, cuando se utiliza una red neuronal, es posible la extracción de características, lo que permite un análisis más preciso. Sin embargo, si la serie temporal de bioseñales se analiza tal cual, el tamaño total de la red neuronal aumenta. En este estudio, para lograr una red neuronal liviana, se utilizan una transformada discreta de onda de máxima superposición (MODWT) y una técnica de suavizado para una mejor extracción de características. Además, se aumenta la eficiencia de aprendizaje utilizando una técnica de aumento. En el diseño de la red neuronal, se utiliza una capa de convolución unidimensional para garantizar que la red neuronal sea simple y liviana. En consecuencia, se puede lograr el atributo liviano y las redes neuronales se pueden implementar en dispositivos de borde como la matriz de compuertas programable en campo (FPGA), lo que resulta en un bajo consumo de energía, alta seguridad, tiempos de respuesta rápidos y alta comodidad para el usuario en aplicaciones portátiles. La señal de electromiograma (EMG) representa una bioseñal típica en este estudio.