Estudios recientes han resaltado la posibilidad de utilizar señales electromiográficas (EMG) de superficie para desarrollar interfaces hombre-computadora que también puedan reconocer tareas motoras complejas que involucren la mano, como la escritura de dígitos. Sin embargo, el reconocimiento automático de palabras a partir de información EMG aún no ha sido estudiado. El objetivo de este estudio es investigar la viabilidad de utilizar sondas EMG combinadas de antebrazo y muñeca para resolver el problema de reconocimiento de escritura de 30 palabras con técnicas de aprendizaje automático consolidadas y agregando características de vanguardia extraídas en los dominios temporal y de frecuencia. Se reclutaron seis sujetos sanos, tres mujeres y tres hombres de entre 25 y 40 años, para el estudio. Se realizaron dos pruebas en reconocimiento de patrones para evaluar la posibilidad de clasificar movimientos finos de la mano a través de señales EMG. La primera prueba fue diseñada para evaluar la viabilidad de utilizar tecnología de control mioeléctrico consolidada con métodos de aprendizaje automático superficiales en el campo de la detección de escritura. La segunda prueba se implementó para evaluar si esquemas específicos de extracción de características pueden garantizar altos rendimientos con una complejidad limitada de la tubería de procesamiento. Entre máquina de vectores de soporte, análisis discriminante lineal y vecinos más cercanos (KNN), este último mostró los mejores rendimientos de clasificación en el problema de clasificación de 30 palabras, con una precisión media del 95% y del 85% al utilizar todas las características y un conjunto de características específico conocido como , respectivamente. Los resultados obtenidos confirmaron la validez de utilizar datos EMG combinados de muñeca y antebrazo para el reconocimiento inteligente de la escritura a través de enfoques de reconocimiento de patrones en escenarios reales.