Reconocimiento de caracteres manuscritos a partir de se˜ nales EMG usando redes neuronales convolucionales y recurrentes de Elman Jos´ e Guadalupe Beltr´an-Hern´ andez, Jos´ e Ruiz-Pinales, Pedro L´ opez-Rodr´ ıguez, Jos´ e Luis L´ opez-Ram´ ırez Universidad de Guanajuato, Divisi´ on de Ingenier´ ıas, Departamento de Ingenier´ ıa Electr´ onica, M´ exico {jg.beltranhernandez, pinales, p.lopez.rodriguez, jl.lopezramirez}@ugto.mx Resumen. Hoy en d´ ıa la tecnolog´ ıa est´ a presente en todos los ´ ambitos de la vida diaria, y la escritura es sin duda un medio muy importante de comunicaci´ on. Adem´ as, la escritura y la lectura juegan un papel importante en el desarrollo cognitivo de los ni˜ nos, tanto as´ ı que ´ estas determinan su posterior ´ exito acad´ emico. Este documento presenta una nueva metodolog´ ıa para el reconocimiento de caracteres manuscritos. La metodolog´ ıa propuesta consiste en el uso de un brazalete Myo para capturar las se˜ nales EMG que se generan durante el proceso de escritura y el uso de redes neuronales convolucionales y redes recurrentes para el procesamiento y reconocimiento de caracteres. Los resultados usando una base de datos propietaria grande muestran un porcentaje de aciertos promedio de 94.92 %. Palabras clave: Se˜ nales electromiogr´ aficas, aprendizaje profundo, re- des neuronales convolucionales, redes de Elman. Handwritten Character Recognition from EMG Signals using Convolutional and Elman Neural Networks Abstract. Nowadays, technology is present in almost every aspect of our lives. Reading and writing continue to be an important means of communication. Besides that, they play en important role in the cognitive development of children and later on determine their academic success. This paper presents a new methodology for the recognition of handwriting. The poposed methodology consists in using a Myo armband to capture the EMG signals generated during the writing process and the use of Convolutional Neural Networks and Elman Networks for processing and recognizing characters. The results using a large propietary database show an average accuracy of 94.92 %. 659 ISSN 1870-4069 Research in Computing Science 149(8), 2020 pp. 659–668