对于下肢截肢的一些患者，我们或许可以适配动力型假肢。精确控制这些假肢的前提条件是对患者的步行模式进行准确的分类，如在平地或上楼梯时的步行模式，以及在不同步行模式时的自然的转换。
为了确定在动力型假肢中，在不同步行状态时（平地步行、上下楼梯、上下斜坡和不同步行模式的自然转换）的肌电图数据等信息，来自于美国芝加哥康复研究所的 Hargrove 博士等设计了相关研究，并将研究结果发表在 JAMA 2015 年 6 月的在线期刊上。
本研究为随机交叉盲法研究，研究在美国芝加哥康复研究所内进行，研究时间为 2012 年 8 月至 2013 年 11 月。研究者纳入了 7 例截肢患者，其中 6 例为单侧膝关节上方截肢，1 例为膝断离截肢患者。在无法提供额外动力的假肢的辅助下，所有的患者都能在家庭中和社区内步行
研究者在受试者残肢的肌肉上安放了 9 个电极，并记录步行时的肌电信号，受试者需要完成 20 组平地步行、上下斜坡和上下楼梯的任务。同时，也从安置于假肢内的 13 个机械传感器中同步记录相的信息。
研究者应用两种实时模式的认知算法对不同的数据进行分析，一组数据是来自于机械传感器，另一组数据是来自机械传感器的数据和 EMG 数据和既往步态的信息相结合的结果。受试者步行时的假肢驱动配置顺序是 1:1 区组随机的，因此受试者和研究者都不知道使用的是何种驱动模式。
本研究的主要评价结果为实时控制系统的分类误差，所谓分类误差指的是控制系统错误预测的步数的百分比。
与仅应用机械感受器数据的实时控制系统相比，应用肌电图数据和既往步态信息的实时控制系统的分类误差显著降低，前者平均误差步数为 692 步，后者为 683 步，两组间的平均差异为 6.2%。
本研究结果指出，在对 7 例截肢患者进行分析后，肌电信号和空间步态信息将降低步行模式和不同步行模式转换间的分类误差。但这仅是初步的研究成果，一旦这些结果被证实，则有助于改善对动力型假肢的控制。