La electromiografía (EMG) se ha utilizado ampliamente en aplicaciones de rehabilitación y prótesis mioeléctricas. Sin embargo, un reciente incremento en el número de características de EMG ha llevado a un vector de características de alta dimensión. Esto, a su vez, degradará el rendimiento de clasificación y aumentará la complejidad del sistema de reconocimiento. En este artículo, hemos propuesto dos nuevos métodos de selección de características basados en un algoritmo de crecimiento de árboles (TGA) para la clasificación de señales de EMG. En el primer enfoque, se implementan dos funciones de transferencia para convertir el TGA continuo en una versión binaria. Para el segundo enfoque, se introducen los operadores de intercambio, cruce y mutación en un algoritmo de crecimiento de árboles binarios modificado para mejorar los comportamientos de explotación y exploración. En este estudio, se emplea la transformada de Fourier de tiempo corto (STFT) para transformar las señales de EMG en una representación tiempo-frecuencia. Luego, las características se extraen del coeficiente STFT y forman un vector de características. Posteriormente, se aplican los métodos de selección de características propuestos para evaluar el mejor subconjunto de características de un gran conjunto de características disponible. Los resultados experimentales muestran la superioridad de MBTGA no solo en términos de reducción de características, sino también en el rendimiento de clasificación.