Esta investigación se centra en el proceso mínimo de clasificación de tres movimientos del brazo superior (extensión del codo, extensión del hombro, extensión combinada del hombro y el codo) de humanos con tres señales de electromiografía (EMG), para controlar un brazo robótico de 2 grados de libertad (DoF). El proceso mínimo propuesto consta de cuatro partes: divisiones temporales de datos, operador de energía de Teager-Kaiser (TKEO), la extracción de características EMG convencional (es decir, el valor absoluto medio (MAV), cruces por cero (ZC), cambios de signo de pendiente (SSC) y longitud de onda (WL)), y ocho modelos principales de aprendizaje automático (es decir, árbol de decisión (medio), árbol de decisión (fino), k-vecinos más cercanos (KNN) (KNN ponderado, KNN (fino), máquina de soporte vectorial (SVM) (SVM cúbico y fino gaussiano), conjunto (árboles agrupados y KNN de subespacio). Luego, comparamos e investigamos 48 modelos de clasificación (es decir, se proponen 47 modelos y 1 modelo es el convencional) basados en cinco sujetos sanos. Los resultados mostraron que todos los modelos de clasificación lograron precisiones que oscilan entre el 74 y el 98%, y la velocidad de procesamiento está por debajo de 40 ms e indica un retraso aceptable del controlador para el control del brazo robótico. Además, confirmamos que el modelo de clasificación sin división temporal, con TKEO y con conjunto (KNN de subespacio) tuvo el mejor rendimiento en tasas de precisión del 96.67, tasas de recuperación del 99.66 y tasas de precisión del 96.99. En resumen, la combinación del TKEO propuesto y el conjunto (KNN de subespacio) juega un papel importante para lograr la clasificación EMG.