تُقدّم هذه الورقة بحثًا يُطبّق التعلم العميق لتصنيف فعّال لإشارات كهرباء العضلات (EMG) الخاصة بالمرضى المصابين بالتصلب الجانبي الضموري (ALS) مقابل إشارات EMG الطبيعية. تُعدّ إشارات كهرباء العضلات مفيدة جدًا في تحليل الأمراض العصبية العضلية مثل مرض التصلب الجانبي الضموري، وهو مرض معروف في الدماغ يُعدّ تدهورًا تدريجيًا للخلايا العصبية الحركية. تركز معظم الدراسات السابقة حول تصنيف إشارات EMG على مجموعة من طرق المعالجة الإشارية الأساسية، مثل معالجة الإشارات الإحصائية، وتحليل الموجات (Wavelet Analysis)، وتحليل الوضعية التجريبية (EMD). في هذه الدراسة، يتم تنفيذ تطبيق مختلف يعتمد على تمثيل الزمن-التردد (TF) لإشارات EMG، إلى جانب الشبكات العصبية التلافيفية (CNN). يُستخدم تحويل فورييه القصير الأجل (STFT) لتمثيل الزمن-التردد. وتشمل بنية الشبكة العصبية التلافيفية: طبقتين تلافيفيتين، وطبقتين لتقليص (Pooling)، وطبقة متصلة بالكامل، وطبقة دالة الخسارة. تم اختبار كفاءة التطبيق المقترح على مجموعة بيانات EMG متاحة للجمهور، وتشمل 89 إشارة من مرضى مصابين بالـ ALS و133 إشارة طبيعية، بتردد عينة قدره 24 كيلوهرتز. أظهرت النتائج التجريبية دقة تبلغ 96.69%. كما تم مقارنة النتائج المُحصلة مع طرق أخرى، مما يُظهر تفوق الطريقة المقترحة.