Actualmente, el reconocimiento de patrones basado en sEMG es un método de control crucial y prometedor para miembros protésicos. Se propuso un modelo de clasificación de red neuronal convolucional recurrente 1D para reconocer movimientos en línea de los dedos y la muñeca en tiempo real para abordar el problema de que la tasa de reconocimiento de clasificación y el retraso temporal no pueden considerarse simultáneamente. Este modelo podría combinar efectivamente las ventajas de la red neuronal convolucional y la red neuronal recurrente. Se utilizaron experimentos fuera de línea para verificar el rendimiento de reconocimiento de 20 movimientos, y se realizó un análisis comparativo con modelos de clasificación CNN y LSTM. Se establecieron experimentos en línea a través del sistema de reconocimiento de patrones de señal sEMG autodesarrollado para examinar el rendimiento de reconocimiento en tiempo real y el retraso temporal. Los resultados del experimento demostraron que la precisión de reconocimiento promedio del modelo de clasificación 1D-CNN-RNN logró un 98.96% en el reconocimiento fuera de línea, que es significativamente mayor que el de CNN y LSTM (85.43% y 96.88%, respectivamente, < 0.01). En los experimentos en línea, la precisión promedio del reconocimiento en tiempo real del 1D-CNN-RNN alcanza el 91% +/- 5%, y el retraso promedio alcanza los 153 ms. El modelo de clasificación 1D-CNN-RNN propuesto ilustra un rendimiento superior en precisión de reconocimiento en tiempo real y un retraso temporal más corto sin un retraso evidente en el cuerpo humano, lo que se espera que sea un control eficiente para prótesis diestras.