Este estudio tiene como objetivo evaluar el movimiento de las piernas mediante la integración del análisis de la marcha con datos de electromiografía de superficie (sEMG) y acelerómetro (ACC) de las extremidades inferiores. Utilizamos un sistema de medición inalámbrico, autónomo y de múltiples canales en combinación con sensores inerciales GaitUp Physilog 5 comerciales colocados en los zapatos para registrar los patrones de marcha y activaciones musculares de 17 participantes. Este enfoque generó un conjunto de datos completo que consta de 1452 muestras. Para predecir con precisión los parámetros de la marcha, se desarrolló un modelo de aprendizaje automático utilizando características extraídas de las señales sEMG de los músculos del muslo y la pantorrilla, y los ACC de ambas piernas. El estudio utilizó métricas de evaluación que incluyen precisión (R), coeficiente de correlación de Pearson (PCC), error cuadrático medio (RMSE), error porcentual absoluto medio (MAPE), error cuadrático medio (MSE) y error absoluto medio (MAE) para evaluar el rendimiento del modelo propuesto. Los resultados destacaron la superioridad del modelo CatBoost sobre alternativas como XGBoost y árboles de decisión. Los PCC promedio de CatBoost para 17 parámetros de la marcha temporoespacial de las piernas izquierda y derecha son 0.878 +/- 0.169 y 0.921 +/- 0.047, respectivamente, con un MSE de 7.65, RMSE de 1.48, MAE de 1.00, MAPE de 0.03 y Precisión (R-Score) de 0.91. Esta investigación marca un avance significativo al proporcionar un método más completo para detectar y analizar estados de la marcha.