El surgimiento de prótesis modernas controladas por bioseñales ha sido facilitado por las innovaciones en inteligencia artificial y tecnología de microchips. Los algoritmos de IA son entrenados utilizando sEMG producidos por los músculos durante las contracciones. El procedimiento de adquisición de datos puede resultar incómodo y fatigante, especialmente para los amputados. Además, las compañías de prótesis restringen el intercambio de señales sEMG, limitando la investigación basada en datos y la reproducibilidad. Las GAN presentan una solución viable a las preocupaciones mencionadas. Las GAN pueden generar sEMG de alta calidad, que puede ser utilizada para la ampliación de datos, disminuir el tiempo de entrenamiento requerido por los usuarios de prótesis, mejorar la precisión de clasificación y garantizar la reproducibilidad de la investigación. Esta investigación propone la utilización de una GAN convolucional profunda unidimensional (1DDCGAN) para generar el sEMG de gestos de mano. Este enfoque implica la incorporación de envoltura de tiempo dinámica, transformada rápida de Fourier y wavelets como entradas de discriminador. Se utilizaron dos conjuntos de datos para validar la metodología, donde se utilizaron cinco ventanas e incrementos para extraer características y evaluar la calidad del sEMG sintetizado. Además de las métricas tradicionales de clasificación y ampliación, se utilizaron dos nuevas métricas: la prueba de Mantel y la prueba de dos muestras del clasificador para la evaluación. El 1DDCGAN preservó las correlaciones entre características e generó señales de alta calidad, que se asemejaban a los datos originales. Además, la precisión de clasificación mejoró en un promedio del 1.21-5%.