El creciente interés en los robots portátiles plantea el desafío de desarrollar estrategias de control intuitivas y naturales. Entre varios enfoques de interacción humano-máquina, el control mioeléctrico consiste en decodificar la intención motora a partir de la actividad muscular (o señales EMG) con el objetivo de conducir dispositivos robóticos prostéticos o asistenciales en consecuencia, estableciendo así una conexión íntima entre el humano y la máquina. En este escenario, los enfoques bioinspirados, por ejemplo, los controladores basados en sinergias, se revelan como los más robustos. Sin embargo, los mio-controladores basados en sinergias ya propuestos en la literatura consideran patrones musculares que se calculan teniendo en cuenta solo la tasa de reconstrucción de varianza total de las señales EMG, sin tener en cuenta el rendimiento del controlador en el espacio de tareas (o aplicaciones). En este trabajo, ampliando un estudio previo, los autores presentaron un modelo neural basado en autoencoders capaz de extraer sinergias musculares para la detección de intenciones de movimiento mientras optimiza el rendimiento de la tarea en términos de reconstrucción de fuerza/momento. La topología neural propuesta ha sido validada con señales EMG adquiridas de los principales músculos del miembro superior durante tareas de alcance isométrico planar realizadas en un entorno virtual mientras se usa un exoesqueleto. El modelo presentado se ha comparado con el algoritmo de factorización de matriz no negativa (es decir, el enfoque más utilizado en la literatura) en términos de calidad de extracción de sinergias musculares, y con tres técnicas ya presentadas en la literatura en términos de bondad de los momentos predichos del hombro y el codo. Los resultados de las comparaciones experimentales han mostrado que el modelo propuesto supera a los estimadores de momentos articulares basados en sinergias de última generación a expensas de la calidad de la reconstrucción de las señales EMG. Estos hallazgos demuestran que se puede lograr un equilibrio entre la capacidad de las sinergias musculares extraídas para describir mejor la variabilidad de las señales EMG y el rendimiento de la tarea en términos de reconstrucción de fuerza. Los resultados de este estudio podrían abrir nuevos horizontes en las metodologías de extracción de sinergias, en los mio-controladores basados en sinergias optimizados y, quizás, revelar pistas útiles sobre su origen.