신경근 장애는 근육병증과 신경병증으로 나뉜다. 이 두 가지를 구별하는 것은 의학적으로 매우 필요한 일이다. 치료 및 처방 그리고 재활의 방법이 병증에 따라 달라진다. 기존 신경근 장애는 진단 용도인 침 근전도를 이용하여 판별하고 있다. 하지만 침습이라는 방식이 환자들에게 거부감을 주고 있고, 의사의 경험적 판단이 많이 요구되고 있기 때문에 이에 대한 개선 연구들이 진행되고 있다. 본 연구에서는 두 가지 방안으로 개선을 하였다. 첫 번째는 침 근전도를 이용하여 취득된 개별 운동단위 활동전위를 분석하는 방법이다. 본 연구에서는 맥시칸햇 웨이블렛이 정상 운동단위 활동전위의 형상과 매우 유사하다는 것에 착안하여 신경병증을 구별해낼 수 있는 웨이블렛 특징을 추출하고 다층 퍼셉트론 신경망을 이용해 판별하는 알고리즘을 개발하였다. 두 번째는 최대 자가 등척성 수축과 반복 운동에서의 표면 근전도 신호를 활용하는 방법이다. 취득된 표면 근전도에 대한 활성도 분석, 주파수 분석등을 실시하여 36개의 특징값을 추출하였다. 랜덤 포레스트를 활용하여 근육병증, 신경병증, 정상을 구별하는 알고리즘을 개발하였다. 침 근전도 알고리즘에서는 기존 판별 특징인 시간 영역 특징값과 정확성 비교를 했다. 정상과 신경병증 샘플 10개씩 수집되었고, 여기서 추출된 운동단위 활동전위 약 1000개 데이터에 대한 웨이블렛 특징, 시간 영역 특징을 추출했다. 추출된 특징들은 각각의 다층 퍼셉트론 신경망을 훈련시키고 유효성 및 정확도 검사하는데 사용되었다. 웨이블렛 특징과 시간 영역 특징의 정확도는 각각 91.7%, 87.4%였다. 웨이블렛 특징에 각 특징의 표준편차를 추가한 특징으로 판별한 결과 98.8%의 정확도를 보였다. 표면 근전도 알고리즘에서는 표면근전도 신호에서 추출된 특징을 본 연구에서 제안한 분류 알고리즘에 적용하여 훈련과 정확도 검사를 실시하였다. 제안한 판별 알고리즘은 랜덤 포레스트 분류기 2개를 사용한 것인데, 우선 정상과 환자를 먼저 판별을 해내고, 환자로 판별된 샘플들은 다시 병증 판별하는 랜덤 포레스트 알고리즘을 통과시켜 병증을 파악하였다. 의사결정 트리, 랜덤 포레스트, 제안한 알고리즘의 정확도를 비교하였을 때 80.0%, 86.4%, 90.9%의 정확도를 보여 제안한 알고리즘의 우수성을 확인하였다. 본 연구에서 제안한 두 가지의 알고리즘을 통하여 신경근 장애 판별 환경 개선 및 자동화가 기대되어진다.