Las discapacidades motoras derivadas de enfermedades neuromusculares afectan significativamente la calidad de vida de los pacientes. En este trabajo se propone un modelo híbrido CNN-LSTM con enfoque regresivo para estimar en tiempo real el ángulo articular del codo a partir de señales electromiográficas superficiales (sEMG), con el objetivo de controlar de forma precisa y continua una órtesis robótica. Se emplearon señales sEMG de bíceps y tríceps de una base de datos validada, las cuales fueron sometidas a un riguroso preprocesamiento. El modelo fue entrenado y evaluado utilizando métricas como MAE (0.0828), RMSE (0.1132), R² (0.9517) y coeficiente de Pearson (0.9757), evidenciando alta precisión y robustez. Además, se desarrolló una interfaz gráfica para visualizar las señales y predicciones en tiempo real. Los resultados confirman la viabilidad del enfoque propuesto para aplicaciones clínicas, destacando su potencial para mejorar la rehabilitación funcional del miembro superior y promover la autonomía del paciente mediante un control intuitivo de órtesis activas.