Las redes neuronales artificiales se implementaron satisfactoriamente para evaluar eventos de marcha a partir de diferentes datos de caminata. Este estudio tiene como objetivo proponer un enfoque novedoso para reconocer fases y eventos de marcha, basado en el análisis de aprendizaje profundo de solo el ángulo de la articulación de la rodilla sagital medido por un electrogoniómetro único por pierna. Se han logrado previamente buenos desempeños de clasificación/predicción en estudios de sEMG; por lo tanto, un objetivo adicional es probar si agregar datos de electrogoniómetro podría mejorar los desempeños de clasificación de métodos de vanguardia. Los datos de marcha se miden en aproximadamente 10,000 zancadas de 23 adultos sanos, durante la marcha en el suelo. Se implementa un modelo de perceptrón multicapa, compuesto por tres capas ocultas y una salida unidimensional. La precisión de clasificación/predicción se prueba frente a la verdad representada por señales de contacto pie-suelo, a través de muestras adquiridas de sujetos no vistos durante la fase de entrenamiento. Se logra una precisión promedio de clasificación del 90.6 +/- 2.9% y un valor absoluto medio (MAE) de 29.4 +/- 13.7 y 99.5 +/- 28.9 ms en la evaluación del momento de impacto del talón y del despegue de los dedos en sujetos no vistos. Se logra una mejora de la precisión de clasificación (cuatro puntos) y una reducción del MAE (al menos 35%) cuando se utilizan datos de ángulo de rodilla para mejorar la predicción de datos de sEMG. La comparación de los dos enfoques muestra que la reducción de la complejidad de la configuración implica un empeoramiento principalmente en la predicción del despegue de los dedos. Por lo tanto, el enfoque actual con electrogoniómetro es particularmente adecuado para tareas de clasificación en las que solo está involucrado el evento de impacto del talón, como el reconocimiento de zancadas, el cálculo del tiempo de zancada y la identificación de la marcha de puntillas.