Manipulating bionic prosthesis through electromyographic signals captured in humans or animals, it requires the detection of the existing correlation between the temporal characteristics and/or frequency of the electromyographic (EMG) signals captured with the type of movement executed by the muscle or muscles under study. This features or signal parameters are measured in different time intervals, generating a feature vector V = [V1, V2,...,VN]ERN, , where each parameter Vi ER is measured in the i- tenth time signal. Literature has proposed various techniques to characterized EMG signals that have shown to be very effective in detecting the type or types of movements performed, such as the coefficient technique of the autoregressive model (AR), the Zero Crossing, the temporal behavior of the mean and variance, the Short Time Fourier transform, the wavelet transform signal and the energy behavior in time among others. In this paper we will present the development of some temporary - Frequency techniques for the characteristics extraction of the EMG signals for 4 types of movements performed by a hand (arm supination - pronation, fingers Extension - Flexion) and application of principal component analysis (PCA) technique for the dimensions reduction of the characteristics vectors, in order to use the obtained features for each type of movement in a neural network classifier designed by the work team, which will autonomously discriminate the types of movement from the measurement of the EMG signals of the muscles under consideration. Finally, the experimental measurement of the matrix for the probability of success of the different techniques for characteristics extraction will be performed + Neural Network, to select the technique with greater success rate to be used at a later stage of the project for the online recognition of hand movements.La manipulación de prótesis biónicas a partir de las señales electromiográfícas capturadas en seres humanos u otros animales, requiere la detección de la correlación existente entre las características temporales y/o en frecuencia de las señales electromiográfícas (EMGs) capturadas, con el tipo de movimiento ejecutado por el músculo o músculos bajo estudio. Estas características o parámetros de la señal son medidas en diferentes intervalos de tiempo, generando así un vector de características , donde cada parámetro es medido en el intervalo i – ésimo de tiempo de la señal. En la literatura se han propuesto diversas técnicas para caracterizar señales EMGs, que han demostrado ser muy eficientes en la detección del tipo o tipos de movimientos ejecutados, como por ejemplo la técnica de los coeficientes del modelo auto regresivo (AR), la medida del número de cruces por cero, el comportamiento temporal de la media y la varianza, la transformada corta de Fourier, la transformada Wavelet de la señal, el comportamiento de la energía en el tiempo entre otras. En el presente trabajo se procede a presentar el desarrollo de algunas técnicas temporales – frecuenciales para la caracterización de las señales EMGs medidas para 4 tipos de movimientos ejecutados por la mano (Supinación – Pronación del brazo, Extensión – Flexión de los dedos) y la aplicación de una técnica de reducción de dimensiones de los vectores de características, con la finalidad de emplear los parámetros obtenidos para cada tipo de movimiento en un clasificador por red neuronal diseñado por el equipo de trabajo, que se encargará de forma autónoma de discriminar los tipos de movimiento a partir de la medición de las señales EMG en los músculos de interés. Por último, se medirá experimentalmente la matriz de probabilidad de éxito de las diferentes técnicas de caracterización + Red Neuronal, para seleccionar la técnica con mayor porcentaje de éxito que se utilizará en una próxima etapa del proyecto en un equipo computacional de reconocimiento de movimientos de la mano en tiempo real.