Debido al incremento en los tipos de movimientos manuales, las características de electromiografía (EMG) son cada vez más necesarias para una clasificación precisa de las señales de EMG. Sin embargo, el aumento en el número de características de EMG no solo degrada el rendimiento de la clasificación, sino que también aumenta la complejidad del clasificador. La selección de características es un proceso efectivo para eliminar características redundantes e irrelevantes. En este documento, proponemos una nueva optimización de enjambre de partículas binarias de mejor guía personal () para resolver el problema de selección de características para la clasificación de señales de EMG. Primero, la transformada discreta de onda (DWT) descompone la señal en coeficientes de multirresolución. Luego, las características se extraen de cada coeficiente para formar el vector de características. Después, se utiliza la optimización de enjambre de partículas binarias de mejor guía () para evaluar las características más informativas del conjunto de características original. Para medir la efectividad de , se utilizó la optimización de enjambre de partículas binarias (BPSO), algoritmo genético (GA), algoritmo de crecimiento de árbol binario modificado (MBTGA) y evolución diferencial binaria (BDE) para la comparación de rendimiento. Nuestros resultados experimentales muestran la superioridad de en comparación con otros métodos, especialmente en la reducción de características; donde puede reducir más del 90% de las características manteniendo una precisión de clasificación muy alta. Por lo tanto, es más apropiado para su aplicación en aplicaciones clínicas y de rehabilitación.