La tecnología de reconocimiento de señales de electromiografía superficial (sEMG) requiere una gran cantidad de muestras para garantizar la precisión de los resultados del entrenamiento. Sin embargo, las señales sEMG generalmente tienen problemas de poca cantidad de datos, un proceso de adquisición complicado y una gran influencia ambiental, lo que dificulta la mejora de la precisión de la clasificación de sEMG. Con el fin de mejorar la precisión de la clasificación de sEMG, se propone en este documento por primera vez un método de generación de características sEMG basado en una red adversaria generativa de energía (EBGAN). El concepto de energía se introduce en la red discriminante en lugar del juicio binario tradicional, y la distribución del conjunto de datos EMG real es aprendida y capturada por múltiples capas completamente conectadas, generando datos sEMG similares. Los resultados experimentales muestran que, en comparación con otros tipos de redes GAN, este método logra una pequeña discrepancia máxima media en comparación con la de los datos originales. Los resultados experimentales utilizando diferentes modelos de clasificación típicos muestran que el método de aumento de datos propuesto puede mejorar efectivamente la precisión de la clasificación de los modelos de clasificación típicos, y el rango de aumento de precisión es del 1 al 5%.