Comparación de la tecnología Kinect v1, v2 y Azure centrada en las habilidades motoras de los niños

Abstract

The characteristics, specifications and benefits of the devices for use in the context of artificial vision focused on the development of children's motor skills have been investigated. Kinect technology has had a great impact on computer vision research, since its first appearance at the end of 2010, which leaves its antecedents focused on the world of video games to focus on software development applied to different fields especially in children's motor skills. El estudio se desarrolló utilizando 5 personas para la toma de datos, mismas que usaban una cinta rodante mientras caminaban, se ocupó la Kinect Azure y el sistema vicon para la detección de esqueletos en 3D, la calibración se la realizo de manera meticulosa para que se tomen los datos con una mayor precisión (Amadeus, y otros, 2020) El enfoque de la conferencia de Visión por Computador enfatizó la implementación de una temática investigativa, comparando y profundizando la capacidad de las dos primeras versiones de Kinect, es decir en términos de la exactitud a más de la precisión que logra obtener, siendo el caso de reconstrucción de redes neuronales, reconocimiento facial en grandes entornos y exteriores que mejoran la triangulación, esto consiste en un sistema de realidad virtual para caminar de forma libre ayudándose de la restauración de imágenes y la reconstrucción de modelos 3D, en efecto para automatizar el reconocimiento de los segmentos o puntos (micro expresiones) de la cámara Kinect (13th Asian Conference on Computer Vision, ACCV 2016, 2016) 3. (Stricker & Wasenmuller, 2017) 4.1.Cámara en Color Con una resolución por pixeles de (640x480), la versión 1 alcanza hasta 30 cuadros por segundo, esto indica que cuando la cámara se calienta y captura objetos mantiene valores de profundidad ligeramente menores que la Kinect v2, pero sin embargo son valores constantes en el tiempo.

Headnote

Resumen: El trabajo contiene la investigación de la arquitectura y funcionamiento de las diferentes versiones de Kinect, se desarrolla una comparativa sistemática de Kinect versión 1 (Xbox 360), Kinect versión 2 (Xbox One) y Kinect Azure. Se investigó las características, especificaciones y prestaciones de los dispositivos para su uso en el contexto de visión artificial enfocado al desarrollo de la motricidad infantil. Para cada dispositivo se analizó y comparó de manera rigurosa su utilización, compatibilidad y adaptabilidad. La tecnología Kinect ha tenido un gran impacto en investigaciones sobre visión por computadora, desde su primera aparición a finales del 2010, misma que deja sus antecedentes enfocados al mundo de los videojuegos para centrarse en el desarrollo de software aplicado a diferentes campos especialmente en la motricidad de los niños.

Palabras-clave: Kinect v1, Kinect v2, Kinect Azure, motricidad, sistemas.

Abstract: This document contains the research of the different versions of Kinect, it presents a systematic comparison of Kinect version 1 (Xbox 360), Kinect version 2 (Xbox one) and Kinect Azure. The characteristics, specifications and benefits of the devices for use in the context of artificial vision focused on the development of children's motor skills have been investigated. For each device, its use, compatibility and adaptability have been rigorously analyzed and compared to carry out the research. Kinect technology has had a great impact on computer vision research, since its first appearance at the end of 2010, which leaves its antecedents focused on the world of video games to focus on software development applied to different fields especially in children's motor skills.

Keywords: kinect v1, kinect v2, kinect Azure, motor skills, systems.

1.Introducción

Se presenta la comparación y evaluación técnica de Microsoft Kinect v1, Kinect v2 y Azure, enfocado en sus especificaciones, compatibilidad, requerimientos y prestaciones y sistemática donde se centrará en aspectos como la exactitud y precisión de las imágenes de profundidad capturadas, las inexactitudes y el ruido en las imágenes de profundidad utilizadas. Además, en la presente investigación se toma en cuenta aspectos generales como: la influencia de la temperatura, la distancia de la cámara y el color de la escena en los valores de profundidad de ambos dispositivos. Además, se analiza la compatibilidad con los sistemas operativos, la versión de los puertos y la tecnología para la transmisión de datos. Las cámaras y sensores que poseen, la profundidad de acción, resolución de imágenes, la arquitectura de su ensamblaje, el consumo energético.

2. Antecedentes Investigativos

Las gesticulaciones con dispositivos tecnológicos han generado muchos errores al momento de tener una intercomunicación entre dispositivos y el ser humano, de aquí nacen las interacciones de gestos tales como Leap Motion de la empresa Leap motion, Inc. Dicha tecnología está muy bien desarrollada ya que detecta de manera clara y precisa las manos, además posibilita que se hagan juegos simples con gestos. Entre las varias aplicaciones que tiene este enfoque de campo, hay la posibilidad de tomar una fotografía con el simple gesto de abrir y cerrar la palma. (Chanhwi, y otros, 2020)

El estudio del movimiento del cuerpo es de vital importancia para la detección temprana de enfermedades neurológicas, además de la detección del riesgo de accidentes en el rango de las personas de la tercera edad. Gracias a la evolución de la tecnología y el gran avance que tiene el machine learning hoy en día es más accesible a las aplicaciones enfocadas en el área de la salud. Todo esto se lo ha realizado con la Kinect Azure debido a que tiene una mejora en el análisis de la imagen de una persona en movimiento, caminata en cinta rodante, gracias al movimiento multicámara Vicon estándar de oro y enchufe de 39 marcadores. El estudio se desarrolló utilizando 5 personas para la toma de datos, mismas que usaban una cinta rodante mientras caminaban, se ocupó la Kinect Azure y el sistema vicon para la detección de esqueletos en 3D, la calibración se la realizo de manera meticulosa para que se tomen los datos con una mayor precisión (Amadeus, y otros, 2020)

El enfoque de la conferencia de Visión por Computador enfatizó la implementación de una temática investigativa, comparando y profundizando la capacidad de las dos primeras versiones de Kinect, es decir en términos de la exactitud a más de la precisión que logra obtener, siendo el caso de reconstrucción de redes neuronales, reconocimiento facial en grandes entornos y exteriores que mejoran la triangulación, esto consiste en un sistema de realidad virtual para caminar de forma libre ayudándose de la restauración de imágenes y la reconstrucción de modelos 3D, en efecto para automatizar el reconocimiento de los segmentos o puntos (micro expresiones) de la cámara Kinect (13th Asian Conference on Computer Vision, ACCV 2016, 2016)

3. Metodología

Se realiza una comparativa entre Kinect v1, Kinect v2, y Kinect v3(Azure) en base a las características de los componentes tanto en la parte técnica, sistemática y de funcionalidad que posee cada una, así como un estudio de la motricidad, de acuerdo a sus características para poder utilizar la tecnología dentro de la misma. Además, se tomará en cuenta el costo en relación con los beneficios.

4.Aplicación

En la última década, Kinect v1, Kinect v2 y Kinect Azure han sido ampliamente estudiadas por los investigadores para analizar la aplicación de los dispositivos en diferentes áreas y la utilización de los sensores como dispositivos de medición alternativos para evaluar el movimiento humano.

Wasenmuller y Stricker. compararon las versiones de Kinect v1 y Kinect v2 en términos de exactitud y precisión, el enfoque de la investigación estuvo en las imágenes obtenidas a través del sensor de profundidad encontrando una relación directa entre la precisión de la profundidad y la temperatura del dispositivo, Kinect v1 en su defecto mostró un aumento de precisión a mayor número de imágenes capturadas. (Stricker & Wasenmuller, 2017)

4.1.Cámara en Color

Con una resolución por pixeles de (640x480), la versión 1 alcanza hasta 30 cuadros por segundo, esto indica que cuando la cámara se calienta y captura objetos mantiene valores de profundidad ligeramente menores que la Kinect v2, pero sin embargo son valores constantes en el tiempo. Función que se efectúa con 30 Hz y (15 Hz con poca luz) con Kinect v2, se enfoca en la grabación de vídeos en resolución alta, la más común 1080p, permitiendo obtener una variedad de alta resolución. (Stricker & Wasenmuller, 2017)

La cámara de color de la Kinect Azure ofrece la mejor calidad en resolución, logrando alcanzar (3840 x 2160) pixeles a 30 ciclos por segundo, lo que permite admitir varios campos de visión, también incorpora un sensor de detector magnético, que mide una distancia determinada entre un emisor y receptor para enviar señales o avisos al detectar objetos en movimiento frente a la cámara. (Amadeus, y otros, 2020)

4.2.Cámara de Profundidad

Permite detectar objetos a una cierta distancia del Kinect, a diferencia de la cámara de color en lugar de detectar los pixeles de color que se encuentran frente a ella, detecta las distancias de cada pixel. Logrando así identificar los objetos.

En el caso de Kinect vi, posee un proyector de luces infrarrojas, que en conjunto con una cámara infrarroja mide la profundidad cuando se proyecta los patrones del objeto y fuera de la distorsión de las luces infrarrojas se realiza el cálculo de la profundidad.

En la Kinect v2 se utiliza un aspecto conocido como tiempo de vuelo, a diferencia de la primera versión que se enfoca en la triangulación, esta nueva generación permite obtener una mayor precisión para ver en la oscuridad, muy similar a las luces infrarrojas. En otras palabras, el método (TOF), calcula la profundidad, enfocándose en el tiempo de luz emitida, esto se lleva desde la cámara hasta el objeto. Por lo tanto, secuencialmente se emite luces infrarrojas que detectan el movimiento de la luz de retorno del objeto desplazado. Obtiene mayor ventaja Kinect v2, utilizando la tecnología conocida como LightCoding para realizar de esta forma una reconstrucción tridimensional de la escena. (Ramos Perez, Fernández, & León Hernández, 2015)

En general a través de esto Kinect logra enfocarse con esto reconocer por ejemplo el cuerpo del ser humano como un objeto sólido, siendo así importante observar como un punto de Coordenada 3D a las articulaciones del cuerpo.

Kinect Azure, como su antecesor también utiliza los principios básicos del método TOF (Time of Fligth), pero en este caso las luces infrarrojas que la cámara emite son para el espectro u objeto cercano que se encuentra en una escena determinada. El proceso comienza obteniendo un cálculo del período de tiempo que transcurre para que la luz logre viajar desde la cámara al objeto o la escena que se captura. Luego los datos que se calculan se procesan para convertirlos en un mapa de profundidad que ayudan a la generación de cada píxel de una imagen. (Stricker & Wasenmuller, 2017) (Sych, Meadows, & Allen, Azure Kinect DK depth camera, 2019)

4.3.Cámara Infrarroja

En la versión Kinect vi, la cámara infrarroja o NIR es parte del proceso RGB que es el encargado de obtener la información de profundidad. Sin embargo, las resoluciones que se pueden encontrar no corresponden a una mayor calidad, y sobre todo no se aplican técnicas para mejorar el procesamiento.

Utilizando Kinect v2 la cámara infrarroja permite la identificación de ambientes o zonas muy oscuras o muy iluminados, logrando en los desarrolladores aspectos que son importantes ya no se tomen en cuenta, debido a que se vuelve innecesario. Para lograr diferenciar el entorno, se aplican varias técnicas como Machine Learning.

4.4.Distancia de Profundidad

Kinect vi incluyó tres fases, la primera el proyector de láser, proyector CMOS y un microcontrolador que mejora el procesamiento. Además, algo fundamental que consta de un sistema de difracción que permite proyectar un patrón de puntos pseudoaleatorios.

Kinect v2, mejora el campo visual también logra reducir el ruido de fondo mediante un sensor, esto da como resultado mejorar la visualización 3D, la capacidad que equipos tienen para poder observar de una manera más clara objetos muy pequeños y principalmente el proceso para el seguimiento de objetos y en el caso de Xbox detectar el movimiento del cuerpo. (Morillo Celi, 2019)

El Kinect Azure, muestra campos de visión para calcular un desplazamiento más preciso para las configuraciones, esto además le permite calcular desplazamiento mínimo y tiempo de exposición de la cámara, se podría atribuir que es una mejora significativa a la versión 2 de Kinect, sin embargo, ambas funcionalidades dependen del área en la que se sitúen. (Noto, 2017)

4.5.Campo de Visión

El sensor del campo de visión de Kinect abarca la distancia de 4.5 metros, por lo cual se aclara que es de manera óptima ubicarse a 2 metros del sensor sin ninguna interferencia de por medio que obstaculice el campo de visión.

En el espacio que abarca la visión, en la Kinect v1 se tiene una limitante de tan solo 57 grados en sentido horizontal y 43 en sentido vertical, en la Kinect V2 se amplía el campo de visión a 70 grados en sentido horizontal y 60 grados en sentido vertical, tanto que en la Versión Azure cuenta con un campo de visión casi completo con 120 grados tanto de manera vertical como horizontal.

La cámara Azure Kinect también consta de una cámara RGB y una cámara IR. La cámara a color ofrece diferentes resoluciones, siendo la resolución más alta 3840 x 2160 px a 30 Hz. La cámara de infrarrojos tiene una resolución de 1 MP, con 1024 x 1024 px. Este sensor Kinect también utiliza el principio ToF. Adicionalmente, Tanto la cámara RGB como la IR admiten diferentes campos de visión. Azure Kinect también tiene un sensor IMU. (Amadeus, y otros, 2020)

4.6.Motor de Inclinación

Este motor solo se encuentra disponible en la Kinect vi, mismo que cuenta con una inclinación en sentido vertical de arriba hacia abajo con un movimiento gradual de 27 grados, además posee un acelerómetro que informa que inclinación posee cada momento. (de la Fuente Garrido, 2012)

La versión 2 y Azure tienen un mayor ángulo de visión y si se requiere una regulación se la puede realizar de manera manual para ajustar su inclinación.

4.7.Puntos de Esqueletos

Kinect vi 20 puntos (cabeza, cuello, hombros, codos, muñecas, manos, abdomen, centro de la cadera, lado izquierdo de la cadera, lado derecho de la cadera, rodillas, tobillos, pies)

Kinect versión 2 tiene 24 puntos (cabeza, cuello, columna vertebral, hombros, codos, muñecas, manos, pulgares, dedos medios de las manos, abdomen, centro de la cadera, lado izquierdo de la cadera, lado derecho de la cadera, rodillas, tobillos, pies) (Betadocs, 2017)

Kinect Azure 32 puntos (ojos, nariz, orejas, boca, clavículas, cuello, columna vertebral, hombros, codos, muñecas, palmas, pulgares, dedos medios de las manos, tórax, abdomen, centro de la cadera, lado izquierdo de la cadera, lado derecho de la cadera, rodillas, tobillos, pies) (Amadeus, y otros, 2020)

4.8.Puntos de Esqueletos

La Kinect vi por medio del cálculo de la GPU para reducir la latencia y mejorar el rendimiento. Kinect v2 realiza un seguimiento del esqueleto de hasta 6 personas por medio de la ubicación 3D de las 25 articulaciones por cada esqueleto, debido a que en esta versión ya incluye articulaciones adicionales en la punta de la mano, punta del pulgar y cuello, referente a la Kinect vi.

5.La Motricidad

Es la concepción de las diversas manifestaciones corporales de un individuo, además se puede decir que el individuo es un ser complejo no divisible que se engloba en diferentes dimensiones (psicológica, afectiva, motora), los cuales ayudan a manifestar y entender nuestro ser pero de manera más general se lo define como la capacidad en la cual un organismo genera movimientos complejos, siendo estos movimientos coordinados por el cerebro y modulados por estructuras secundarias que lo complementan.

Podemos decir que la motricidad es el cuerpo en movimiento intencional pretendiendo la trascendencia y la superación a nivel enteramente como ser humano y no del físico tan solo. Por lo que se asume que la ciencia de la "Motricidad Humana" no estudia solamente a un humano como un ser que se puede mover y que estudia al ser que se mueve con intencionalidad. (Nicolás Acerenza, 2009)

El principal objetivo del desarrollo motor es obtener el control y dominio de su propio cuerpo, hasta llegar a conseguir del mismo todas las funcionabilidades de acción todo esto se lo realiza desde la función motriz la misma que está conformada por movimientos hacia las relaciones con el mundo que rodea al niño como ser humano, el cual forma un papel muy importante en todo el progreso y perfeccionamiento, desde los movimientos reflejos más básicos hasta llegar a la coordinación de los grandes grupos musculares que intervienen en los mecanismos de control postural, desplazamientos y equilibrios. (Pedro Gil Madrona, 2008)

Se puede decir que el desarrollo motriz se lo realiza en 4 fases, la primera y principal fase engloba en niños con edades de 4 a 6 años en la cual les permite a los niños a tener una mejor percepción de su cuerpo para así relacionarse con su entorno de una mejor manera tomando así el control de sus extremidades ya sean tanto superiores e inferiores y poder conseguir el perfeccionamiento progresivo de las mismas (Plaza, 2015)

Por lo cual es importante tener en cuenta en el estudio que los elementos que conforman la motricidad son motricidad gruesa y motricidad fina. Basándonos específicamente en la motricidad gruesa

La motricidad gruesa engloba todos los movimientos grandes en coordinación como saltar, correr, dar volteretas, rodar, mover extremidades, cabeza entre otros. (Alicia Ruiz, 2017) Por lo cual es muy importante que el niño sea estimulado desde tempranas edades.

Para la evolución de la motricidad gruesa de un niño entre 4 a 5 años se debe tomar en cuenta los siguientes aspectos:

* Reflejos o respuestas motoras: capacidad de reacción de un niño

* Estática: capacidad de conservar el control del cuerpo en su centro de gravedad.

* Locomoción: capacidad para desplazarse de un sitio a otro.

* Manipulación de Objetos: capacidad en manipular objetos de su entorno.

5.1. Motricidad gruesa de 4 a 5 años

Entre las edades de 4 a 5 años los niños con el respectivo entrenamiento a través de ejercicios motores adecuados irán perfeccionando la capacidad motriz en todo su cuerpo. La motricidad gruesa implica:

Dominio Corporal Dinámico: es la capacidad que tiene el niño de mover y dominar las diferentes partes el cuerpo tales como las extremidades inferiores, superiores y tronco. (Tamara Palacios, 2010).

Dominio corporal estático: son las actividades enfocadas a interiorizar el esquema corporal, dentro de este se menciona a la relajación y respiración, el autocontrol y la tonicidad. (Tamara Palacios, 2010).

Esquema Corporal: El esquema corporal es la toma de conciencia general del cuerpo que nos permite el uso de las partes del cuerpo de una manera simultánea.(Tamara Palacios, 2010)

6. Resultados

En el siglo XXI, la educación cambió de forma radical acompañando el método tradicional con el uso de la tecnología en la enseñanza y el aprendizaje (Ojeda-Castelo, PiedraFernandez, Iribarne, & Bernal-Bravo, 2018). La tecnología Kinect ha sido utilizada con éxito en el aprendizaje y rehabilitación de individuos (Ojeda-Castelo, Piedra-Fernandez, Iribarne, & Bernal-Bravo, 2018). La presente propuesta de proyecto propone la evaluación del uso de la tecnología Kinect en el desarrollo de la motricidad gruesa en niños de 4 y 5 años, misma que se define desde varias corrientes psicomotoras como la capacidad de producir movimientos, que son producto de la contracción muscular que se produce por los desplazamientos y segmentos del cuerpo, actitud y mantenimiento del equilibrio (Viciana, Cano, Chacón, Padial, & Martinez, 2017). En resumen, la psicomotricidad es toda aquella acción muscular o movimiento del cuerpo que se requiere para la ejecución con éxito de un acto deseado en cual se podrá medir con la tecnología Kinect(Cuesta, Prieto-Ayuso, & Gil-Madrona, 2016).

La tecnología Kinect V2 permite en el futuro desarrollar aplicaciones enfocados en distintas áreas en base a ello se determina que a través de sus 24 puntos se puede ver y evaluar los movimientos tales como: la locomoción o del desarrollo postural, tono muscular, equilibrio, coordinación general y visomotora (Bautista, Moreno-Núñez, Vijayakumar, Queck, & Bull, 2019).

7. Conclusiones

Siendo uno de los objetivos de educación infantil proporcionar herramientas metodológicas para trabajar los contenidos en las diferentes áreas por medio de actividades globalizadas que tengan interés y significado en los niños (Padial & SáenzLópez, 2016). La investigación estará centrada en la medición de la precisión del Kinect para evaluar el avance de los niños y en qué aspecto, su uso, facilita el proceso de desarrollo de la motricidad a través de juegos.

El Kinect en su versión 2 me permite referendar puntos tales como: (cabeza, cuello, columna vertebral, hombros, codos, muñecas, manos, pulgares, dedos medios de las manos, abdomen, centro de la cadera, lado izquierdo de la cadera, lado derecho de la cadera, rodillas, tobillos, pies) (Betadocs, 2017), lo que permitirá la construcción de software para medir la motricidad gruesa en niños y así poder cuantificar y evaluar la funcionalidad de la tecnología Kinect.

8.Agradecimiento

Los autores agradecen a la Universidad Técnica de Ambato y a la "Dirección de Investigación y Desarrollo" (DIDE) por su apoyo en la ejecución de este proyecto, en particular a través del proyecto: "Aplicación de la tecnología Kinect en el desarrollo de la motricidad gruesa de niños/niñas de Educación Inicial Subnivel II, grupo 4 años" aprobado según Resolución Nro. UTA-CONIN-2020-0302-R del 21 de agosto de 2020. sffisei05.

References

Referencias

13th Asian Conference on Computer Vision, ACCV 2016. (2016). Lecture Notes in Computer Science (págs. 1-639). Taipei: Springer Nature.

Alicia Ruiz, I. R. (2017). Madurezpsicomotriz en el desenvolvimiento de la motricidad fina. Guayaquil: Grupo Compas.

Amadeus, A. J., Owolabi, V., Arnd, G., Brahms, C. M., Granacher, U., & Arnrich, B. (2020). Evaluation of the pose tracking performance of the azure kinect and kinect v2 for gait analysis in comparison with a gold standard: A pilot study. Multidisciplinary Digital Publishing Institute , 1-22.

Bautista, A., Moreno-Núñez, A., Vijayakumar, P., Queck, E., & Bull, R. (2019). Gross motor teaching in preschool education: where, what and how do Singapore educators teach? / Enseñanza de la motricidad gruesa en educación infantil: ¿dónde, qué y cómo enseñan las maestras en Singapur? Infancia y Aprendizaje, 1-43.

Betadocs. (28 de Julio de 2017). Kinect. Obtenido de https://vvw.org/documentation/ kinect

Chanhwi, L., Jaehan, K., Seoungbae, C., Jinwoong, K., Jisang, Y., & Soonchul, K. (2020). Development of real-time hand gesture recognition for tabletop holographic display interaction using azure kinect. Multidisciplinary Digital Publishing Institute, 1-13.

Cuesta, P., Prieto-Ayuso, A., & Gil-Madrona, P. (2016). Evaluación diagnóstica en la enseñanza conjunta de habilidades sociales y motrices en educación infantil. Revista de Ciencias Sociales y Humanas, 505-525.

de la Fuente Garrido, D. (2012). Aplicaciones de Kinect para Neurohabilitación. UPC eetac, 1-67.

Gamonales. (2016). La educación física en educación infantil. La motricidad en edades. Publicaciones didácticas, 131-174.

Jing, C., Potgieter, J., Noble, F. K., & Wang, R. (2017). A comparison and analysis of RGB-D cameras' depth performance for robotics application. 24th International Conference on Mechatronics and Machine Vision in Practice (M2VIP), 1-6.

Morillo Celi, M. N. (2019). SISTEMA EMBEBIDO DE RECONSTRUCCIÓN 3D DE ENTORNOS CON KINECT V.i. Obtenido de http://dspace.udla.edu.ec/ bitstream/33000/ii790/i/UDLA-EC-TIERI-20i9-23.pdf

Nicolás Acerenza, A. C. (2009). Una Metodología para Desarrollo de Videojuegos. Argentina: Simposio Argentino de Ingeniería de Software.

Noto, S. (20i7). Kinect 2. i-i8.

Ojeda-Castelo, J., Piedra-Fernandez, J., Iribarne, L., & Bernal-Bravo, C. (20i8). Application for learning and rehabilitation in special educational needs. Multimed Tools and Applications, i-27.

Padial, R., & Sáenz-López, P. (20i6). Experiencia de educación para la salud y el consumo a través del juego y la motricidad en Infantil. Revista de Educación, Motricidad e Investigación, 55-65.

Pedro Gil Madrona, O. R. (2008). Habilidades motrices en la infancia y su desarrollo desde una educación física animada. La Mancha: Revista Iberoamericana de Educación.

Plaza, W. O. (20i5). La motricidad gruesa y su incidencia en el desarrollo de la inteligencia kinestésica en los niños /as de 3 a 5 años del centro de educación inicial monseñor Vicente Cisneros cantón Pelileo provincia de Tungurahua. Ambato: Universidad Técnica de Ambato.

Ramos Perez, E., Fernández, C. A., & León Hernández, E. (20i5). Aplicando la Metodología PSP para el Desarrollo de un Sistema de Reconocimiento de Gestos. Revista Latinoamericana de Ingenieria de Software, 237-249.

Stricker, D., & Wasenmuller, O. (20i7). Comparison of Kinect Vi and V2 Depth Images. German Research Center for Artificial Intelligence (DFKI), 34-45.

Sych, T. (14 de Febrero de 2020). Especificaciones de hardware de Azure Kinect DK. Obtenido de https://docs.microsoft.com/es-es/azure/kinect-dk/hardwarespecification

Sych, T., Meadows, P., & Allen, B. (26 de Junio de 20i9). Azure Kinect DK depth camera. Obtenido de Microsoft: https://docs.microsoft.com/en-us/azure/kinect-dk/depthcamera

Tamara Palacios, J. R. (20i0). El juego y su incidencia en el desarrollo Psicomotriz en los niños de 5 a 6 años. Cuenca: Universidad de Cuenca.

Viciana, V., Cano, L., Chacón, R., Padial, R., & Martinez, A. (20i7). Importancia de la motricidad para el desarrollo integral del niño en la etapa de educación infantil. EmasF Revista Digital de Educación Física, 89-i05.