Para mejorar la adaptabilidad de la prótesis de mano, proponemos un nuevo control inteligente para una prótesis de dedo fisiológica utilizando las ventajas del algoritmo de gradiente de política determinista profunda (DDPG). Se desarrolló un modelo de cuerpo rígido para representar el dedo como un entorno de entrenamiento. Se asumieron las características geométricas y las propiedades físicas fisiológicas del dedo disponibles en la literatura, pero se negligió la rigidez y el amortiguamiento de la articulación. El algoritmo DDPG estándar fue modificado para entrenar una red neuronal artificial (ANN) para realizar dos trayectorias predeterminadas: lineal y sinusoidal. La ANN fue evaluada a través del uso de un modelo computacional que simuló la funcionalidad de la prótesis de dedo. El modelo demostró la capacidad de ejecutar con éxito tanto trayectorias sinusoidales como lineales, exhibiendo un error medio de mm para la trayectoria sinusoidal y mm para la trayectoria lineal. Al observar los torques, se encontró que la ANN utilizó diferentes estrategias para controlar el movimiento con el fin de adaptarse a las diferentes trayectorias. Permitiendo que la ANN utilizara una combinación de ambas trayectorias, nuestro modelo pudo realizar trayectorias que diferían de las puramente lineales y sinusoidales, mostrando su capacidad para adaptarse al movimiento del dedo fisiológico. Los resultados mostraron que era posible desarrollar un controlador para múltiples trayectorias, lo cual es esencial para proporcionar prótesis más integradas y personalizadas.