Este estudio se centra en la identificación personal utilizando memoria a largo plazo bidireccional (LSTM) con características eficientes de señales biomédicas de electromiograma (EMG). La identificación personal se realiza comparando y analizando características que pueden ser identificadas de manera estable y no se ven significativamente afectadas por el ruido. Con este fin, se obtuvieron 13 características eficientes, como longitud de onda mejorada, cruce por cero y valor absoluto medio, de las señales de EMG. Estas características se extrajeron de señales segmentadas de una longitud específica. Luego, la LSTM bidireccional se entrenó en las características seleccionadas como datos secuenciales. Las características se clasificaron en función de su rendimiento de clasificación. Finalmente, se seleccionaron las características más efectivas y se conectaron para lograr una tasa de clasificación mejorada. Se utilizaron dos conjuntos de datos públicos de EMG para evaluar el modelo propuesto. La primera base de datos se adquirió de bandas Myo de ocho canales y estaba compuesta por señales de EMG de 10 movimientos variados de 50 individuos. El número total de segmentos para los conjuntos de entrenamiento y prueba fue de 30,000 y 20,000, respectivamente. El segundo conjunto de datos consistía en diez movimientos de brazo adquiridos de 40 individuos. Una comparación de rendimiento del conjunto de datos reveló que el método propuesto mostraba un buen rendimiento y eficiencia en comparación con otros métodos conocidos.