Hasta la fecha, el uso de señales de electromiografía (EMG) en prótesis mioeléctricas permite a los pacientes recuperar la rehabilitación funcional de sus extremidades superiores. Sin embargo, el incremento en el número de características de EMG ha demostrado tener un gran impacto en la degradación del rendimiento. Por lo tanto, la selección de características es un paso esencial para mejorar el rendimiento de la clasificación y reducir la complejidad del clasificador. En este artículo, se propuso un método híbrido, denominado optimización de enjambre de partículas binarias con evolución diferencial (BPSODE) para abordar problemas de selección de características en la clasificación de señales de EMG. La eficacia de BPSODE se validó utilizando las señales de EMG de 10 sujetos sanos adquiridas de una base de datos de EMG de acceso público. Primero, se aplicó la transformada wavelet discreta para descomponer las señales en coeficientes wavelet. Las características fueron luego extraídas de cada coeficiente y formadas en el vector de características. Posteriormente, se utilizó BPSODE para evaluar el subconjunto de características más informativo. Para examinar la efectividad del método propuesto, se utilizaron cuatro métodos de selección de características de vanguardia para la comparación. Los parámetros, incluyendo la precisión, la proporción de selección de características, la precisión, la medida F y el tiempo de computación se utilizaron para la medición del rendimiento. Nuestros resultados mostraron que BPSODE fue superior, no solo ofreciendo un alto rendimiento de clasificación, sino también teniendo el tamaño de características más pequeño. A partir de los resultados empíricos, se puede inferir que la selección de características basada en BPSODE es útil para la clasificación de señales de EMG.