Prototipo de un ambiente inmersivo basado en realidad aumentada haciendo uso de dispositivos de control gestual e interfaces cerebro computadora para la terapia fino motora en niños

Texto completo

(1)PROTOTIPO DE UN AMBIENTE INMERSIVO BASADO EN REALIDAD AUMENTADA HACIENDO USO DE DISPOSITIVOS DE CONTROL GESTUAL E INTERFACES CEREBRO-COMPUTADORA PARA LA TERAPIA FINOMOTORA EN NIÑOS. PROYECTO DE GRADO PARA OPTAR POR EL TÍTULO DE: INGENIEROS DE SISTEMAS. PRESENTADO POR:. ANDRÉS OVIDIO RESTREPO RODRÍGUEZ DANIEL ESTEBAN CASAS MATEUS. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS PROYECTO CURRICULAR INGENIERIA DE SISTEMAS FACULTAD DE INGENIERÍA BOGOTÁ D.C., ABRIL DE 2019.

(2)

(3) PROTOTIPO DE UN AMBIENTE INMERSIVO BASADO EN REALIDAD AUMENTADA HACIENDO USO DE DISPOSITIVOS DE CONTROL GESTUAL E INTERFACES CEREBRO-COMPUTADORA PARA LA TERAPIA FINOMOTORA EN NIÑOS. PROYECTO DE GRADO PARA OPTAR POR EL TÍTULO DE: INGENIEROS DE SISTEMAS. PRESENTADO POR:. ANDRÉS OVIDIO RESTREPO RODRÍGUEZ DANIEL ESTEBAN CASAS MATEUS .. UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS PROYECTO CURRICULAR INGENIERIA DE SISTEMAS FACULTAD DE INGENIERÍA BOGOTÁ D.C., ABRIL DE 2019.

(4)

(5) Dedicatoria. A nuestros padres y hermanos, que han sabido formarnos con buenos sentimientos, hábitos y valores; a nuestros maestros, amigos y compañeros que nos han apoyado en nuestro proceso de formación..

(6)

(7) Agradecimientos:. •. Agradecimiento especial a la Universidad Distrital Francisco José de Caldas, nuestra Alma Mater, promotora de nuestra formación personal y profesional como ingenieros de sistemas.. •. A todos nuestros maestros que día a día nos brindaron sus conocimientos, experiencias, reflexiones, ayuda y valores.. •. A nuestros compañeros y verdaderos amigos al ofrecernos su compañía, su amistad, su apoyo y sus consejos cuando así lo requerimos.. •. A nuestros padres por su apoyo y comprensión durante el proceso de elaboración de este proyecto de grado.. •. Agradecimiento especial al doctor Paulo Alonso Gaona García por su apoyo incondicional en nuestra formación, transmitiéndonos sus conocimientos, motivación y experiencia..

(8)

(9) Resumen En el siguiente proyecto se define y desarrolla el prototipo de un ambiente inmersivo basado en técnicas de realidad aumentada, junto con reconocimiento de imágenes, dispositivos de control gestual e interfaces cerebro computadora como apoyo para llevar a cabo ejercicios de terapia de motricidad fina. Con este estudio se propone la articulación de distintas tecnologías enmarcadas en un ambiente inmersivo con el fin de generar una nueva forma de realizar terapia fino-motora, a partir de las características base de la terapia tradicional; sin embargo, no se propone dejar atrás este tipo de terapia, por el contrario, se busca generar trabajo colaborativo. Para llevar a cabo el desarrollo del prototipo del ambiente inmersivo, se hace uso de un ARSandbox como solución al componente de realidad aumentada. Además, se selecciona un método de clasificación y una técnica de procesamiento de imágenes, con el propósito de comparar el resultado plasmado por el niño en la arena con el resultado esperado. Finalmente, con el propósito de evaluar el impacto del ambiente desarrollado, se hace uso de interfaces cerebro-computador, capturando métricas emocionales como el interés, la concentración, el compromiso, el estrés y la relajación durante el desarrollo de la terapia fino-motora, para su posterior análisis.. Palabras Claves Realidad aumentada, Interfaz cerebro-computador, Reconocimiento de imágenes, Red neuronal por convolución, Segmentación por color-space, Emotiv Epoc, AR-Sandbox, Python, Scrum..

(10)

(11) Índice general ..................................................................................................................................... 1 Proyecto............................................................................................................................................ 1 1.1. Introducción ....................................................................................................................... 1. 1.2. Problema de investigación ........................................................................................... 3. 1.3. Justificación ........................................................................................................................ 4. 1.4. Objetivos .............................................................................................................................. 6. 1.5. Hipótesis .............................................................................................................................. 6. 1.6. Alcances y Limitaciones ................................................................................................ 7. 1.7. Organización del Documento ...................................................................................... 8. ...................................................................................................................................11 Marco Referencial ........................................................................................................................ 11 2.1. Marco Teórico.................................................................................................................. 11. 2.2. Trabajos Relacionados ................................................................................................. 25. ...................................................................................................................................29 Marco Metodológico.................................................................................................................... 29 3.1. Metodología de Investigación ................................................................................... 29. 3.2. Metodología de Desarrollo ......................................................................................... 31. ...................................................................................................................................33 Diseño de una Solución .............................................................................................................. 33 4.1. Realidad Aumentada .................................................................................................... 34. 4.2. Reconocimiento de Imágenes ................................................................................... 36. 4.3. Interfaces Cerebro-Computador.............................................................................. 38. 4.4. Motricidad Fina............................................................................................................... 39. ...................................................................................................................................41 Modelo de Desarrollo Propuesto ............................................................................................. 41 5.1. Product Backlog.............................................................................................................. 43.

(12) 5.2. Sprint 1: Construcción, implementación y modificación de AR-Sandbox 46. 5.3. Sprint 2: Desarrollo e Implementación de Reconocimiento de Imágenes 56. 5.4. Sprint 3: Integración AR-Sandbox y reconocimiento de imágenes ........... 83. 5.5. Sprint 4: Adquisición de Registro de Actividad Cerebral .............................. 89. 5.6. Sprint 5: Desarrollo de Aplicación para Visualización de Registro de. Actividad Cerebral (EmotivPRE) ........................................................................................................ 96. ................................................................................................................................ 113 Pruebas de Usabilidad ............................................................................................................. 113 6.1. Planteamiento .............................................................................................................. 113. ................................................................................................................................ 119 Resultados................................................................................................................................... 119 7.1. Resultados Estadísticos ............................................................................................ 119. 7.2. Resultados de Series de Tiempo ........................................................................... 128. ................................................................................................................................ 133 Análisis de Resultados ............................................................................................................. 133 8.1. Estadística Grupo General ....................................................................................... 133. 8.2. Estadística Test de Ned Herrmann ...................................................................... 136. 8.3. Series de Tiempo ......................................................................................................... 140. ................................................................................................................................ 143 Cierre del Proyecto ................................................................................................................... 143 9.1. Resumen de otros resultados derivados del proyecto ................................ 143. 9.2. Validación de Hipótesis ............................................................................................ 146. 9.3. Conclusiones ................................................................................................................. 147. 9.4. Trabajos Futuros ......................................................................................................... 149. 9.5. Glosario ........................................................................................................................... 150. .............................................................................................................................. 153.

(13) Anexos .......................................................................................................................................... 153 10.1. Anexo A ........................................................................................................................... 153. Referencias ............................................................................................................................. 154.

(14) Índice de Figuras Figura 1 Nivel de vida vs Interactividad ....................................................................................... 14 Figura 2 Support Vector Machine .................................................................................................... 17 Figura 3 K-nearest Neighbors ........................................................................................................... 18 Figura 4 Red Neuronal por Convolución ...................................................................................... 19 Figura 5 Segmentación por Color-space ....................................................................................... 20 Figura 6 Canny Edge Detector........................................................................................................... 21 Figura 7 Threshold................................................................................................................................. 21 Figura 8 Cuadrantes de dominancia cerebral Test de Ned Herrmann............................. 23 Figura 9 Metodología de Investigación ......................................................................................... 30 Figura 10 Planteamiento General .................................................................................................... 34 Figura 11 Componente AR-Sandbox .............................................................................................. 35 Figura 12 Construcción AR-Sandbox ............................................................................................. 35 Figura 13 Componente de Reconocimiento de Imágenes ..................................................... 37 Figura 14 Componente Emotiv Epoc como BCI ......................................................................... 38 Figura 15 Componente de Motricidad Fina ................................................................................. 39 Figura 16 Sprints del Desarrollo del Proyecto ........................................................................... 42 Figura 17 Sprint Número Uno ........................................................................................................... 46 Figura 18 Calibración Kinect ............................................................................................................. 53 Figura 19 Sprint Número Dos ........................................................................................................... 56 Figura 20 Modelo base de la CNN .................................................................................................... 65 Figura 21 Modelo de CNN seleccionado........................................................................................ 68 Figura 22 Representación algoritmo de segmentación por color-space ......................... 70 Figura 23 Muestra del Conjunto de Imágenes de Figuras Geométricas .......................... 73 Figura 24 Muestra del Conjunto de Imágenes de Vocales ..................................................... 73 Figura 25 Arquitectura de la implementación y entrenamiento del modelo de la CNN .................................................................................................................................................................................... 74 Figura 26 Arquitectura integración segmentación por color-space y predicción ....... 80 Figura 27 Sprint Número Tres .......................................................................................................... 84.

(15) Figura 28 Sprint Número Cuatro ..................................................................................................... 89 Figura 29 Sprint Número Cinco ........................................................................................................ 97 Figura 30 Arquitectura EmotivPRE ............................................................................................. 102 Figura 31 Fondo de la aplicación .................................................................................................. 103 Figura 32 Sección de barras de estado emocional................................................................. 106 Figura 33 Zona de visualización de datos ................................................................................. 108 Figura 34 Sección opciones de grabación ................................................................................ 109 Figura 35 Alerta de datos incompletes ....................................................................................... 110 Figura 36 Notificación de grabación exitosa ............................................................................ 111 Figura 37 Interfaz final EmotivPRE ............................................................................................. 112 Figura 38 Planteamiento pruebas de usabilidad.................................................................... 114 Figura 39 Tipo de preguntas........................................................................................................... 115 Figura 40 Niño modelando triángulo terapia tradicional................................................... 116 Figura 41 Niña modelando la vocal A sobre el AR-Sandbox.............................................. 117 Figura 42 Promedio valor normalizado por emociones ..................................................... 120 Figura 43 Medidas de distribución Compromiso ................................................................... 122 Figura 44 Medidas de distribución Concentración ............................................................... 123 Figura 45 Medidas de distribución Interés............................................................................... 123 Figura 46 Medidas de distribución Relajación ........................................................................ 124 Figura 47 Medidas de distribución Estrés ................................................................................ 124 Figura 48 Distribución de población test de dominancia cerebral................................. 125 Figura 49 Componente de tendencia de compromiso del análisis de series de tiempo ................................................................................................................................................................................. 128 Figura 50 Porcentaje de tendencia para el compromiso .................................................... 129 Figura 51 Porcentaje de tendencia para la concentración ................................................. 129 Figura 52 Porcentaje de tendencia para el interés ................................................................ 130 Figura 53 Porcentaje de tendencia para la relajación .......................................................... 130.

(16) Figura 54 Porcentaje de tendencia para el estrés .................................................................. 131 Figura 55 Promedio de valor normalizado del cuadrante imaginativo por emoción ................................................................................................................................................................................. 137 Figura 56 Promedio valor normalizado del cuadrante relacional por emoción ....... 138 Figura 57 Promedio valor normalizado para el cuadrante organizativo por emoción ................................................................................................................................................................................. 139 Figura 58 Promedio valor normalizado para el cuadrante relacional por emoción 140 Figura 59 Planteamiento Symmetry............................................................................................ 144 Figura 60 Planteamiento AIAI ........................................................................................................ 145 Figura 61. Formato test de dominancia cerebral ................................................................... 153.

(17) Índice de Tablas Tabla 1 Realidad Aumentada............................................................................................................. 13 Tabla 2 Características Equipo de Configuración AR-Sandbox ........................................... 36 Tabla 3 Product Backlog ...................................................................................................................... 45 Tabla 4 Historia de Usuario Sprint 1 .............................................................................................. 47 Tabla 5 Sprint Backlog Sprint 1 ........................................................................................................ 48 Tabla 6 Tarea 1 Sprint 1 ...................................................................................................................... 48 Tabla 7 Tarea 2 Sprint 1 ...................................................................................................................... 49 Tabla 8 Tarea 3 Sprint 1 ...................................................................................................................... 49 Tabla 9 Tarea 4 Sprint 1 ...................................................................................................................... 50 Tabla 10 Tarea 5 Sprint 1.................................................................................................................... 50 Tabla 11 Historia de Usuario Sprint 2 ........................................................................................... 57 Tabla 12 Sprint Backlog Sprint 2 ..................................................................................................... 58 Tabla 13 Tarea 1 Sprint 2.................................................................................................................... 59 Tabla 14 Tarea 2 Sprint 2.................................................................................................................... 59 Tabla 15 Tarea 3 Sprint 2.................................................................................................................... 60 Tabla 16 Tarea 4 Sprint 2.................................................................................................................... 60 Tabla 17 Tarea 5 Sprint 2.................................................................................................................... 61 Tabla 18 Tarea 6 Sprint 2.................................................................................................................... 61 Tabla 19 Tarea 7 Sprint 2.................................................................................................................... 62 Tabla 20 Hiperparámetros de compilación ................................................................................. 66 Tabla 21 Diccionario de hiperparámetros ................................................................................... 66 Tabla 22 Hiperarámetros finales ..................................................................................................... 68 Tabla 23 Coeficientes de similitud .................................................................................................. 69 Tabla 24 Justificación de módulos de la integración .............................................................. 81 Tabla 25 Historia de usuario Sprint 3 ............................................................................................ 85 Tabla 26 Sprint Backlog Sprint 3 ..................................................................................................... 85 Tabla 27 Tarea 1 Sprint 3.................................................................................................................... 86 Tabla 28 Tarea 2 Sprint 3.................................................................................................................... 87.

(18) Tabla 29 Historia de usuario sprint 4 ............................................................................................ 90 Tabla 30 Sprint backlog sprint 4 ...................................................................................................... 90 Tabla 31 Tarea 1 sprint 4 .................................................................................................................... 91 Tabla 32 Tarea 2 sprint 4 .................................................................................................................... 92 Tabla 33 Historia de usuario sprint 5 ............................................................................................ 98 Tabla 34 Spring Backlog sprint 5 ..................................................................................................... 99 Tabla 35 Tarea 1 sprint 5 .................................................................................................................... 99 Tabla 36 Tarea 2 sprint 5 ................................................................................................................. 100 Tabla 37 Tarea 3 sprint 5 ................................................................................................................. 101 Tabla 38 Tarea 4 sprint 5 ................................................................................................................. 101 Tabla 39 Configuración barras de estado emocional ........................................................... 105 Tabla 40 Media arítmetica por emociones................................................................................ 120 Tabla 41 Desviación estándar por emoción ............................................................................. 121 Tabla 42 Medidas de distribución por emoción ..................................................................... 122 Tabla 43 Estadística descriptiva cuadrante imaginativo .................................................... 126 Tabla 44 Estadística descriptiva cuadrante relacional ........................................................ 126 Tabla 45 Estadística descriptiva cuadrante organizativo................................................... 127 Tabla 46 Estadística descriptiva cuadrante racional............................................................ 128 Tabla 47 Diferencia de media arítmetica por emoción ....................................................... 133.

(19) Índice de Código Código 1 Instalación de módulos ..................................................................................................... 51 Código 2 Limpieza de módulos ......................................................................................................... 51 Código 3 Instalación Kinect 3D Video Package .......................................................................... 51 Código 4 Instalación SARndbox ........................................................................................................ 52 Código 5 Calibración del Kinect........................................................................................................ 52 Código 6 Calibración Kinect por Sectores .................................................................................... 52 Código 7 Modificación líneas de contorno ................................................................................... 54 Código 8 Mapa de color de alturas original ................................................................................. 54 Código 9 Mapa de color de alturas modificado .......................................................................... 55 Código 10 Sección de inundación .................................................................................................... 55 Código 11 Sección de Lava.................................................................................................................. 55 Código 12 Rotar imagen ...................................................................................................................... 70 Código 13 Saturación de imagen...................................................................................................... 71 Código 14 Recorte de la imagen ....................................................................................................... 72 Código 15 Cargar datos ........................................................................................................................ 75 Código 16 Generar targets .................................................................................................................. 75 Código 17 Procesar datos.................................................................................................................... 76 Código 18 Inicializar el modelo de la CNN ................................................................................... 76 Código 19 Definición del modelo ..................................................................................................... 77 Código 20 Compilación del modelo ................................................................................................ 78 Código 21 Entrenamiento del modelo ........................................................................................... 78 Código 22 Core del entrenamiento del modelo ......................................................................... 79 Código 23 Cargar el modelo de la CNN .......................................................................................... 81 Código 24 Lista de clases a predicir................................................................................................ 81 Código 25 Leer la imagen capturada del AR-Sandbox ............................................................ 82 Código 26 Aplicar segmentación por color-space a la imagen ............................................ 82.

(20) Código 27 Predicción del objeto....................................................................................................... 82 Código 28 Inicialización del módulo sintetizador de voz ...................................................... 83 Código 29 Iniciar aplicación de voz ................................................................................................ 83 Código 30 Sección para captura de AR-Sandbox ....................................................................... 87 Código 31 Script captura de AR-Sandbox..................................................................................... 87 Código 32 Script para captura del AR-Sandbox y predicción .............................................. 88 Código 33 Predicción vocales ............................................................................................................ 88 Código 34 Predicción figuras ............................................................................................................. 88 Código 35 Conexión Emotiv SDK Community ............................................................................ 93 Código 36 Comprobación de conexión Emotiv Epoc ............................................................... 93 Código 37 Adquisición de valores normalizado de emociones ........................................... 94 Código 38 Captura de emociones en tiempo real...................................................................... 94 Código 39 Lista de canales Emotiv Epoc....................................................................................... 95 Código 40 Convertir PSD a Decibeles ............................................................................................ 95 Código 41 Captura Power Band en tiempo real......................................................................... 96 Código 42 Definir raiz de la aplicación ....................................................................................... 103 Código 43 Definir fondo EmotivPRE ........................................................................................... 104 Código 44 Barras de estado emocional ...................................................................................... 104 Código 45 Configuración vizualización de datos .................................................................... 107 Código 46 Configuración de líneas emocionales .................................................................... 107 Código 47 Configuración zona de datos de grabación ......................................................... 109 Código 48 Grabación de datos........................................................................................................ 110 Código 49 Consolidar datos capturados .................................................................................... 111.

(21) Proyecto 1.1. Introducción La presente propuesta de monografía hace referencia a la aplicación de ambientes. basados en tecnologías inmersivas, junto con reconocimiento de imágenes, sobre un contexto terapéutico enfocado a niños, con el propósito de realizar ejercicios de motricidad fina. Lo anterior, haciendo uso de sensores con el fin de capturar datos asociados al proceso de interacción del niño con el ambiente inmersivo y complementar con un análisis de los datos recolectados. El neurodesarrollo se conoce como el proceso continuo de adquisición de habilidades, conocimientos, capacidades, actitudes y funciones que se presentan a lo largo de la vida, por esta razón cumple un papel fundamental en el desarrollo del ser humano. Las características del desarrollo neurológico normal se pueden ver reflejadas en diferentes áreas como: motor grueso y fino, lenguaje, sensorial y socialización, y también se acompaña de una descripción de los principales cambios en el desarrollo, identificables en el trabajo clínico diario de los pediatras (Medina Alva, Muñoz Huerta, & Lyeva Sanchez, 2014). En algunas ocasiones se presentan situaciones donde el niño manifiesta una alteración de la motricidad fina, presentando dificultades al realizar movimientos finos como cortar una hoja de papel, mover ciertos elementos de dimensiones pequeñas, entre otras. La medicina tradicional trata este trastorno mediante terapias en donde se realizan ejercicios para mejorar esta falencia. Actualmente, la tecnología cumple un papel importante dentro de la sociedad, es por esto que se busca relacionar diferentes áreas a través de ella, haciendo hincapié en el contexto de tecnologías inmersivas, dado que permite crear escenarios virtuales mediante el diseño gráfico en 3D, en donde por medio de sensores de movimiento se puede tener una interacción constante entre usuario y escenario. Además de esto, la realidad aumentada se puede ver implementada de múltiples formas, por ejemplo, estudios previos realizados por Man-LingChang y Ching- HsiangShih, donde se llevó a cabo la implementación de un teclado,.

(22) Capítulo 1 - Proyecto. que tenía como propósito localizar la posición de los dedos de dos estudiantes para poder realizar una serie de actividades enfocadas al desarrollo de las habilidades de motricidad fina (Man-LingChang & Ching- HsiangShih, 2014). Como resultado de este estudio, los investigadores encontraron que los participantes demostraron un incremento en términos de disposición para realizar los ejercicios. El reconocimiento de imágenes es una ciencia, la cual ha evolucionado a partir de la necesidad de resolver problemas de análisis y evaluación de información no estructurada, no formalizada, incompleta y ruidosa. La información inicial de estos problemas consiste en números, símbolos, imágenes, señales, textos y la combinación entre estos. Es por eso, que las herramientas o métodos de reconocimiento de imágenes están diseñados para resolver problemas aplicados de toma de decisiones, diagnostico, identificación y predicción (Myagkov, Trusova, Yashina, Zhuravlev, & Gurevich, 2015). Los autores (Kyung-Mo & EuiYoung, 2017), proponen un método para mejorar el rendimiento del reconocimiento de imágenes, mediante la extracción de características y la normalización de imágenes, denominado como el preprocesamiento, obteniendo como resultado un rendimiento promedio de clasificación de 93.24%, implementando una red neuronal por convolución como método de reconocimiento de imágenes. Por otro lado, las interfaces cerebro computadora se consideran como un dispositivo de enlace entre el cerebro humano y una computadora, con el fin de registrar el cambio en la actividad cerebral (Mikołajewska & Mikołajewski, 2014). Por su parte (García Dominguez, 2015) realizó estudios dónde un conjunto de 22 personas recibía estímulos visuales y se capturaba sus ondas cerebrales por medio de un dispositivo Brain Computer Interface (BCI), con el fin de detectar cambios de emociones en las personas. Como resultado se obtuvo que las ondas cerebrales presentan diferentes comportamientos cuando se experimentan distintas emociones. A partir de estos referentes se puede indagar, cómo el uso de tecnologías inmersivas junto con reconocimiento de imágenes, dispositivos de control gestual, Brain computer interfaces y análisis de datos puede aportar dentro del campo terapéutico fino-motriz, sin embargo, todavía los estudios no han sido concluyentes. Según (Alegre & Hellin, 2013) se deben abrir nuevas líneas de investigación implementando tecnologías inmersivas con otros métodos específicos de intervención de fisioterapia neurológica. Por su parte, el análisis de datos es el proceso que permite examinar un conjunto de datos, con el fin de generar conclusiones sobre el contexto en el cual se desarrollan, por lo tanto, al hacer un análisis de los datos capturados por medio de los dispositivos dispuestos para la interacción del niño con el ambiente, se busca generar conclusiones sobre la actividad realizada en la terapia. 2.

(23) Capítulo 1 - Proyecto. La presente propuesta hace parte del proyecto de investigación institucionalizado y financiado en Centro de Investigación y Desarrollo Científico (CIDC) bajo el título VORA “Dispositivos de búsqueda inmersiva utilizando técnicas de realidad aumentada basados en ontologías formalizadas sobre repositorios educativos”. La motivación para trabajar este proyecto de modalidad de grado es presentar una propuesta que aporte al proceso terapéutico fino-motriz en niños, mediante el uso de sistemas inmersivos, reconocimiento de imágenes, (Brain Computer Interface) BCI y análisis de datos, con el fin de generar un prototipo que permita la interacción de un niño con escenarios afines a la terapia de motricidad fina, para su posterior análisis y toma de decisiones por parte de expertos, de acuerdo a los datos involucrados en este proceso.. 1.2. Problema de investigación Descripción del problema Los pacientes sometidos a terapia física tradicional pasan por una serie de sesiones. realizando ejercicios para ayudar a mejorar el rango de movimiento de determinadas regiones del cuerpo. Sin embargo, los pacientes encuentran estas tareas repetitivas y aburridas (Jofré, Rodríguez, Alvarado, Fernandez, & Guerrero, 2017). Por lo tanto, no se captura la atención del paciente, lo cual ocasiona distracciones e interrupciones durante la ejecución de los ejercicios establecidos. Las tecnologías inmersivas se han implementado en terapias basadas en plataformas que hacen uso de dispositivos de interacción constante, para la captura de movimientos gestuales de los niños (Losa & Morone, 2015), no obstante, la integración del usuario y sus emociones mediante el análisis de la interacción neuronal durante el desarrollo de estos ejercicios, no se ha tenido en cuenta como punto de apoyo para la toma de decisiones (García Dominguez, 2015), de igual manera, sin evaluar el impacto emocional causado en los niños al aplicar estas tecnologías en este campo. Gracias al creciente desarrollo de las tecnologías relacionadas con entornos inmersivos, reconocimiento de imágenes e interfaces cerebro-computador se facilita brindar ambientes que incentiven a los niños a la interacción con plataformas para el análisis de su registro de actividad cerebral.. 3.

(24) Capítulo 1 - Proyecto. Formulación del problema ¿Cómo articular tecnologías inmersivas con dispositivos de control gestual, reconocimiento de imágenes e interfaces cerebro-computadora para apoyar el desarrollo de la terapia fino-motriz en niños?. 1.3. Justificación El neurodesarrollo es un proceso dinámico de interacción entre el organismo y el. medio, que da como resultado la maduración orgánica y funcional del sistema nervioso, el desarrollo de las funciones psíquicas y la estructuración de la personalidad (Ramírez, 2006). Dentro de este proceso se encuentran 4 áreas las cuales son: desarrollo sensorial, desarrollo de lenguaje, desarrollo social y desarrollo motor, siendo este último el que involucra la adquisición progresiva de habilidades motoras que permiten mantener un adecuado control postural, desplazamiento y destreza manual (Medina, Muñoz Huerta, & Leyva Sanchez, 2015). Dentro de esta área, existen dos ramas: la motricidad gruesa y la motricidad fina. En lo que respecta al desarrollo de la motricidad fina, está relacionado con el uso de las partes individuales del cuerpo, como las manos (Medina, Muñoz Huerta, & Leyva Sanchez, 2015), por lo tanto, las habilidades motoras finas permiten que los niños ejecuten tareas cruciales, lo que los lleva a ser más independientes y a entender cómo funciona su cuerpo, conforme van aprendiendo a modificar el mundo a su alrededor, formando y desarrollando así su autoestima (Kate, s.f.). Con respecto a la terapia fino-motora, está compuesta por 4 campos: la motricidad facial, la motricidad fonética, la motricidad gestual, y la coordinación viso-manual en la que se promueve la fuerza en dedos, manos, posición. estabilidad, agarre, control de objetos, organización espacial, rapidez, destreza, movimientos aislados de dedos, trazos sobre superficies y modelado de objetos. A partir de esta contextualización, el neurodesarrollo con alteraciones en la motricidad fina, es un campo de la pediatría donde los avances tecnológicos pueden generar un impacto positivo como apoyo y contribución a su desarrollo (Ponce Meza, 2017), donde la terapia tradicional sigue gobernando este campo volviendo repetitivo y aburrido este proceso. Según Man-LingChang & Ching- HsiangShih al relacionar las técnicas de inmersión con la terapia en niños con alteraciones fino-motoras se destaca el incremento en términos de disposición para realizar los ejercicios planteado durante la terapia. De forma complementaria las Interfaces cerebro-computador permiten realizar un análisis 4.

(25) Capítulo 1 - Proyecto. emocional del paciente mediante el registro de actividad cerebral capturado durante la ejecución de la terapia. Paralelamente, los dispositivos de control gestual son una herramienta para la detección y captura de movimientos en tres dimensiones. Por otro lado, las (BCI) proporcionan un instrumento para la medición de cambios eléctricos que se generan en el cerebro, consolidados en un electroencefalograma, convirtiendo este proceso es una adquisición de grandes volúmenes de datos, para posteriormente implementar análisis de datos sobre estos. Por otro lado, hacer uso de tecnologías inmersivas junto con dispositivos de control gestual, puede convertirse en la oportunidad para capturar fácilmente la atención del niño, motivándolo a realizar un conjunto de ejercicios diseñados para trabajar la coordinación bimanual, estos ejercicios tienen como finalidad hacer uso de los nervios y músculos asociados al desarrollo de las habilidades fino-motoras. Si al trabajo conjunto entre tecnologías inmersivas y dispositivos de control gestual se le añade el reconocimiento de imágenes, se puede llegar a determinar el desempeño del niño durante la ejecución de un ejercicio al contrastar el resultado esperado con el resultado real de la prueba, el cual quedará plasmado sobre la arena. De igual manera, la implementación de Interfaces BCI en un ambiente inmersivo proporciona la posibilidad de visualizar en tiempo real el comportamiento de las ondas cerebrales frente a diferentes estímulos proporcionados por el ambiente. Además, si se realiza un análisis de los datos capturados por la BCI se puede llegar a determinar el nivel de impacto emocional que tiene interactuar con el ambiente inmersivo durante la ejecución de la terapia, convirtiéndose en el punto de partida para evaluar el nivel de facilidad que proporciona este método. Después de las consideraciones anteriores se debe agregar que, al utilizar dispositivos de control gestual se puede capturar los movimientos realizados por el niño durante el desarrollo de la terapia, así mismo, al hacer uso de una interfaz cerebro-computador se puede capturar los cambios de nuestra actividad neuronal para ser tratados mediante el análisis de datos, generando un consolidado del comportamiento emocional, en efecto esto proporcionará un soporte para la toma de decisiones en el ámbito terapéutico y una contribución para el estudio y análisis de patrones de movimiento y comportamiento de nuestra corteza cerebral frente a situaciones fino-motoras, realizados por expertos en el campo de la neurociencia. Apartir de este panorama, es indudable el uso de tecnologías que permitan desarrollar este tipo de terapia, para este caso particular haciendo uso de técnicas de realidad aumentada, reconocimiento de imágenes, dispositivos de control gestual e interfaces cerebro computadora, con el propósito de apoyar el proceso. 5.

(26) Capítulo 1 - Proyecto. La siguiente propuesta de proyecto de grado se realiza con el fin de brindar una perspectiva diferente al uso de tecnologías inmersivas, por lo tanto, la directa relación con los juegos se deja de lado y se busca enfocar estas tecnologías a un contexto terapéutico, específicamente en un ámbito físico, donde se desarrollen habilidades fino-motoras. Adicionalmente pretende diseñar e implementar el prototipo de un ambiente inmersivo que permita representar escenarios asociados a la terapia fino-motora. Estos escenarios buscan la interacción entre el niño y el ambiente mediante el uso de tecnologías inmersivas y dispositivos de control gestual, este último, en conjunto con un dispositivo BCI tienen como finalidad la captura de datos involucrados en el desarrollo de los ejercicios de dicho escenario. Finalizando con la consolidación y análisis de los datos capturados y procesados durante el desarrollo del ejercicio.. 1.4. Objetivos Objetivo General Diseñar e implementar un prototipo de un ambiente basado en tecnologías. inmersivas, mediante la interacción con dispositivos de control gestual e interfaces cerebrocomputadora para el desarrollo de ejercicios de motricidad fina.. Objetivos Específicos 1. Identificar requerimientos para el diseño de un ambiente inmersivo en el apoyo de la terapia fino-motora. 2. Diseñar un ambiente inmersivo para llevar a cabo ejercicios de motricidad fina. 3. Capturar y almacenar el registro de actividad cerebral por medio de interfaces cerebro-computadora. 4. Seleccionar e implementar una técnica de procesamiento de imágenes para la comparación del resultado esperado con el resultado realizado por el niño. 5. Validar la propuesta mediante la aplicación de pruebas de usabilidad del ambiente desarrollado.. 1.5. Hipótesis El desarrollo de un ambiente inmersivo mediante el uso de dispositivos de control. gestual, reconocimiento de imágenes e interfaces cerebro-computadora con tecnologías 6.

(27) Capítulo 1 - Proyecto. inmersivas como método para llevar a cabo ejercicios viso-manuales, apoya el desarrollo de la terapia fino-motriz en niños, realizando un análisis del registro de actividad cerebral capturado durante la ejecución del ejercicio.. 1.6. Alcances y Limitaciones Alcances Se generará un prototipo de un ambiente inmersivo haciendo uso de Realidad. Aumentada que permitirá: • • • • • • • •. Realizar el montaje del ar-sandbox haciendo uso de un Kinect, un proyector, un computador y una estructura de madera como soporte para los equipos. Generar proyecciones sobre la arena ubicada en la estructura del ar-sandbox con ejercicios relacionadas con la motricidad fina Realizar figuras en la arena, realizadas por las manos del niño. Comparar el resultado final de lo hecho por el niño en la arena con el patrón proyectado Registrar y grabar los movimientos del niño durante la sesión de terapia. Hacer uso de un Emotiv Epoc como dispositivo BCI para la captura del registro de actividad cerebral. Analizar el registro de actividad cerebral capturado durante el desarrollo del ejercicio de motricidad fina. Generar un consolidado del comportamiento de la actividad cerebral del niño durante el desarrollo de la terapia.. Por otro lado, se pretende realizar pruebas de usabilidad del ambiente inmersivo, con el objetivo de determinar el nivel de correlación que tiene la figura realizada por el niño en la arena y el patrón proyectado, además de realizar el registro y grabación del proceso que realizo el niño. Además de esto, se hará uso de un Emotiv Epoc para capturar los cambios eléctricos de las ondas cerebrales analizando las emociones que experimenta el niño durante la ejecución de la prueba, para medir el impacto emocional del método propuesto en la terapia de motricidad fina. Para esto se seleccionará un grupo de niños para probar el prototipo y realizar un conjunto de ejercicios preestablecidos.. 7.

(28) Capítulo 1 - Proyecto. Limitaciones A continuación se presentan las limitaciones del proyecto. 1.6.2.1 Limitaciones de muestra de la población Para realizar las pruebas de usabilidad, se deben tener un grupo de niños que interactúen con el prototipo. En el proceso de solicitud de permiso es posible no obtener la aprobación de las instituciones. Si esto ocurre, las pruebas de usabilidad se llevarán a cabo con niños del círculo social en el cual se desenvuelven los integrantes de este proyecto.. 1.6.2.2 Limitaciones por conocimiento técnico Con el fin de realizar un análisis sobre los registros realizados en el proceso del niño, se contemplará en lo posible con un experto en el campo de la neurociencia o terapia motricidad fina, con el fin de analizar los registros de las actividades planteadas. En su defecto se contará con el apoyo de profesionales en educación infantil para apoyar parte de los resultados obtenidos.. 1.6.2.3 Limitaciones de hardware Por cuestión de costos posiblemente se trabaje con equipos de características inferiores a las recomendadas para el montaje del AR-Sandbox, esto puede que afecte el rendimiento y la calidad de visualización.. 1.7. Organización del Documento Este apartado tiene como finalidad presentar cómo estará organizado el documento,. para facilitar la compresión y lectura por parte de lector. Como primera instancia, se presenta el marco referencial del proyecto, en donde se exponen conceptos teóricos consolidados en la sección del marco teórico y una sección de trabajos relacionados a los temas principales de este estudio. Después, se presenta el marco metodologíco, el cual esta compuesto por el planteamiento de la metodología de investigación y el diagrama alusivo a la metodología de desarrollo seleccionada. Luego, se presenta el diseño de una solución, donde se muestra su diagrama general exponiendo a groso modo cada uno de los componentes principales que lo conforman.. 8.

(29) Capítulo 1 - Proyecto. Acto seguido, se presenta el desarrollo del modelo propuesto, donde se exponen y desarrollan cada una de las etapas definidas en la metodología de desarrollo. Luego, se exhibe el planteamiento de las pruebas de usabilidad, con el fin de validar el modelo desarrollado, en esta sección, se presentan cada una de la sesiones definidas junto con sus respectivas etapas. Después, se muestran los resultados obtenidos a partir del desarrollo y puesta en marcha de las pruebas de usabilidad, presentando resultados estadísticos para el grupo en general, para grupos específicos y el análisis de series de tiempo por cada una de las emociones. Luego, se presenta el análisis de los resultados, realizando una comparación entre los dos tipos de terapia implementados, analizando aspectos estadisticos y el componente de tendencia a partir del análisis de series de tiempo realizado. Por último, se presenta el cierre del proyecto, el cual se compone por el resumen de otros resultados derivados del proyecto, la validación de la hipótesis a partir del análisis de resultados realizado, la conclusiones del estudio, los trabajos futuros y el glosario.. 9.

(30) Capítulo 1 - Proyecto. 10.

(31) Marco Referencial 2.1. Marco Teórico Motricidad Fina Se considera como la coordinación de músculos de pequeñas partes del cuerpo como. lo son los dedos, para el desarrollo de la precisión en cuestiones de fuerza y motricidad para el desarrollo de la destreza en niños. A continuación, se presentan los distintos tipos de coordinación que están relacionados con la motricidad fina: •. Coordinación Viso-manual: representa los movimientos realizados directamente con la mano, la muñeca, el antebrazo y brazo. El cual se desarrollando por medios de actividades como lo es el pintar, recortar, moldear, dibujar, encajar (Santiago Pérez, 2008).. •. Coordinación gestual: esta coordinación se refiere al dominio no solo de la mano sino de cada una de sus partes. Una mano ayudara a la otra cuando se necesite trabajar con precisión.. El desarrollo lento de la motricidad fina afecta no solo el área de función motriz de la vida de un niño, también afecta su aspecto afectivo emocional y el cognitivo, las áreas afectadas son: •. Dimensión afectiva emocional, en donde se ve la relación que tiene el cuerpo con su estructura física, la actitud y la motricidad; en este último se facilita la precisión de movimientos. El no desarrollo de la motricidad fina no solo afecta el aspecto motor, afecta a todo lo relacionado con el individuo es cuestiones de interacción social.. •. Dimensión Cognitiva, por otro lado, se ve afectado el control de las relaciones espaciales, es decir, el espacio que ocupa un cuerpo, el manejo de relaciones.

(32) Capítulo 2 - Marco Referencial. temporales, es decir, la forma como se organizan una serie de ejercicios sucesivos y el dominio de las relaciones simbólicas, es decir, la forma como se usan objetos, gestos y el significado que se le da a cada uno de ellos. •. Dimensiones de función motriz (Martin & Torres, 2015), la cual es la principal afectada dado que se refiere a la evolución muscular, el desarrollo del equilibrio, el control, la disociación del movimiento y el desarrollo de la eficiencia motriz, como lo son la velocidad y la precisión, también se puede ver la relación con otros sistemas corporales que afectan movimientos voluntarios e involuntarios y la coordinación.. Por otro lado, la motricidad fina se debe desarrollar por etapas (Santiago Pérez, 2008), y estas dependen de la edad del niño, a continuación, se presentan las dos etapas en las que se trabaja este aspecto: •. Etapa sensorio-motora (Pentón Hernández, 2007), es la etapa en la que se inicia desde el nacimiento del niño hasta sus dos primeros años de vida, esta se ve en ejecución en el momento que el niño empieza a percibir e interactuar con lo que se encuentra alrededor suyo, de cómo interactúa con elementos que estén a su alcance y qué hace con ellos, el desarrollo de esta etapa es efectivo cuando son capaces de hacer una imagen mental del objeto y pueden interactuar con él sin necesidad de verlo.. •. Etapa pre-operacional, es la etapa que se desarrolla desde los 2 años hasta los 7 años, en esta etapa el niño interactúa con los elementos alrededor suyo por medio del lenguaje sea corporal o sea verbal, además de ello crea sentido de pertenencia sobre los objetos y por lo tanto se cree dueño de estos, aunque no le pertenezcan.. Tecnologías Inmersivas 2.1.2.1 Realidad Aumentada La realidad aumentada es la tecnología que envuelve la computación gráfica en el mundo real (Mackay, 1998), una de las mejores formas de ver esta tecnología es definirla como una combinación de sistemas electrónicos en el mundo real en el cual se intentará reemplazar dicho mundo, para llevar a cabo esto se parte de 3 elementos, el usuario aumentado, el objeto físico aumentado y el ambiente alrededor de los objetos y el usuario de forma aumentada. A continuación, se presenta una tabla donde se evidencian las distintas formas de representación de los diferentes actores mencionados anteriormente. 12.

(33) Capítulo 2 - Marco Referencial. Aumentado. Enfoque. Tecnología. Aplicaciones. Usuario. Dispositivos. VR Helmets. Medicina. Goggles. Servicio de campo. Data Gloves. Presentaciones. Sensores. Educación. portables para el cuerpo Objetos físicos. Dispositivos. inmersos dentro de inteligentes objetos. Ambiente alrededor Proyección de los objetos y los imágenes usuarios. grabado remoto. Instalaciones. Receptores GPS. oficina. Papel electrónico. Posicionamiento. de Cámaras de video y. Trabajos de oficina. Escáner. Grabación. de. películas. Tablet gráfica Lectores de código de barras Proyectores. de. Construcción Arquitectura. de. video Tabla 1 Realidad Aumentada Fuente: (Silva, Oliveira, & Giraldi, 2003). Con los actores claros se hablará acerca de los componentes que se usan en la realidad aumentada, principalmente se tiene el generador de escenas, le sistema de rastreo y la visualización. En primer lugar, el generador de escenas es un software o dispositivo para representar de forma realista un escenario, el sistema de rastreo se encarga de crear la conexión e interacción de los dos mundos, el real y el virtual, este componente es el más importante ya que sin este no se daría la realidad aumentada, por último esta la visualización que es la forma de cómo hacer que el usuario sienta la interacción con los objetos y con el ambiente aumentado sin necesidad de estar en él. 2.1.2.2 Realidad Virtual La realidad virtual es la simulación electrónica de ambientes que brinde una experiencia de interacción en escenarios creados por computador a través de las acciones realizadas por movimientos humanos. Para que la realidad virtual sea posible son 13.

(34) Capítulo 2 - Marco Referencial. importantes dos variables, el nivel de vida, es decir, la riqueza de la representación del ambiente y la interactividad. En primer lugar, se tiene el nivel de vida del ambiente que se caracteriza por la visibilidad, la audibilidad, lo táctil y los olores, además de ello se mirarán aspectos como la calidad de profundidad, por otro lado, la interactividad se verá afectada por la velocidad de ejecución dad por las tasas de actualización y los tiempos de espera, además de ello la forma en que se realizan acciones con diferentes aspectos como el texto, el discurso, los gestos y los patrones de comportamiento. A continuación, se presenta una gráfica donde se muestra el nivel de vida (Vividness) contra la interactividad, donde se evidencian distintas tecnologías rescatando en especial la realidad virtual (VR) (Figura 1).. Figura 1 Nivel de vida vs Interactividad. Fuente: (Seipel, 2005). 2.1.2.3 Realidad Mixta Esta realidad es una combinación de las técnicas y tecnologías desarrolladas por la realidad virtual y la realidad aumentada, y se describe como la experiencia digital de la siguiente generación en el cual se interactuará con elementos tanto digitales como físicos de tal forma que se junten los dos tipos de objetos y no se tenga certeza de con cuál de los mundos se está interactuando directamente. (Lee & Mercer, 2017) 14.

(35) Capítulo 2 - Marco Referencial. Dentro de la realidad mixta se encuentran tecnologías que sustentas la usabilidad de este tiempo de ambiente inmersivo, uno de los aspectos es el reconocimiento de imágenes, el cual se hace importante en el momento que se debe tener un dispositivo capaz de capturar la imagen y reproducirla a nivel digital adicionándole los elementos virtuales, este procesamiento debe ser en un corto tiempo, esto con el objetivo de satisfacer al usuario y darle una buena experiencia.. Data Analytics El análisis de datos se realiza dependiendo de los resultados que se esperan a partir de lo ya obtenido, principalmente existen tres métodos, ellos son la minería de datos, las reglas de asociación y el clustering. El primero de ellos, la minería de datos es el proceso de extracción de información que previamente fue comprensible, esto se hace de grandes bases de datos que son usados para apoyar lo toma de decisiones a nivel empresarial. Para llevar a cabo este proceso es necesario partir de dos fases, la primera la fase de entrenamiento y la segunda, la fase de prueba; con estas fases se hace el proceso de predicción a través de técnicas de modelamiento predictivo como lo son la inducción de árbol, las redes neuronales, las regresiones lineales y las no lineales. (Hahmann, Schröder, & Grosse, 2014) En segundo lugar, se tiene el clustering, en el cual se hace análisis de datos por agrupamiento, en donde se clasifican según el tipo de algoritmo, los cuales son: los de creación de particiones, los jerárquicos, los basados en su densidad y los basados en modelos. Por último, se tienen las reglas de asociación las cuales son generadas automáticamente y representan patrones en los datos sin ningún objetivo específico, las reglas de asociación al ser tan generales y tan intuitivas aplican a la mayoría de campos entre los que se encuentran la economía, los servicios bancarios, historias médicas, entre otros. Estas reglas se presentan en tres tipos, en reglas de ejecución, que contienen información de alta calidad que permite realizar acciones, reglas triviales, que son reglas que son conocidas, en ocasiones obvias, para las personas que conocen el negocio o el campo tratado, y las reglas inexplicables que no tienen sentido alguno y en las cuales se sugiere no realizar acciones ya que se puede perder el tiempo.. 15.

(36) Capítulo 2 - Marco Referencial. AR-Sandbox El AR Sandbox, o como sería su nombre en español, el arenero de realidad aumentada, es una tecnología que transforma un simple arenero en un dispositivo interactivo e innovador para la educación y el entretenimiento (Savova, 2016). Su construcción consta de 4 partes principales: un Kinect, un proyector de video, un computador con buena capacidad de rendimiento a nivel gráfico, y la estructura de madera para hacer el montaje. Con el Kinect se realizará y se usará como sensor de profundidad, en donde calculará la diferencia entre la superficie y la arena que se encuentra en medio, el proyector de video iluminará la superficie de la arena mostrando diferentes patrones e imágenes que dependerán de la información enviada por el Kinect, esta información será procesada por el computador para ser interpretada y tomar decisiones de qué se proyectará.. Reconocimiento de Imágenes El reconocimiento de imágenes se refiere al procesamiento, análisis y compresión de imágenes mediante una computadora, con el fin de reconocer objetos con diferentes patrones (Xiangyang, et al., 2019). Con el fin de llevar cabo el reconocimiento de imágenes se cuenta con métodos de clasificación como Support Vector Machine (SVM), K-nearest negihbot (KNN) y redes neuronales por convolución, entre otros. Enmarcados en machine learning y Deep learning. 2.1.5.1 Support Vector Machine El objetivo de SVM o support vector machine es encontrar un hiperplano en un espacio N-dimensional, donde N es el número de entidades, que clasifique claramente los puntos de los datos, tal como se presenta en la Figura 2.. 16.

(37) Capítulo 2 - Marco Referencial. Figura 2 Support Vector Machine Fuente: (Drakos, 2018). Los hiperplanos son límites de decisión que ayudan a clasificar los puntos de datos. Los puntos de datos que caen en ambos lados del hiperplano pueden atribuirse a diferentes clases. Además, la dimensión del hiperplano depende del número de características. Si el número de entidades es 2, entonces el hiperplano es solo una línea. Si el número de entidades aumenta a 3, el hiperplano se convierte en un plano bidimensional. Se vuelve difícil imaginar cuando el número de entidades de entrada son más de 3. 2.1.5.2 K-nearest Neighbors Este algoritmo clasifica cada dato nuevo de entrada en el grupo que corresponda, según se define su constante K, la cual define el número de vecinos más cercanos, posicionando el dato nuevo de entrada en el grupo del vecino más cercano. Por lo tanto, este algoritmo calcula la distancia del elemento nuevo a cada uno de los existentes y ordena dichas distancias de menor a mayor para ir seleccionado el grupo al que pertenece, este grupo será, por tanto, el de mayor frecuencia con menores distancias (Figura 3).. 17.

(38) Capítulo 2 - Marco Referencial. Figura 3 K-nearest Neighbors Fuente: (Genesis, 2018). K-NN es un algoritmo de aprendizaje supervisado, por lo tanto, su funcionamiento tiene como punto de partida un conjunto de datos inicial, donde, a partir de lo aprendido de esto conjunto, clasificará correctamente la nueva entrada.. 2.1.5.3 Redes Neuronales por Convolución (CNN) Una red neuronal por convolución (CNN) es similar a una red neuronal ordinaria, siendo compuesta por neuronas que tienes pesos y sesgos que pueden aprender. Cada neuronal recibe algunas entradas, realiza productos escalas y luego se aplica una función de activación. La diferencia radica, en que el conjunto de entrada son imágenes, las cuales pasan por una capa de convolución, aplicando filtro de un tamaño definido y por capas de pooling, las cuales tiene como finalidad quedarse con las características más significativas del conjunto de datos (Figura 4).. 18.

(39) Capítulo 2 - Marco Referencial. Figura 4 Red Neuronal por Convolución Fuente: (Calvo, 2017). De acuerdo a esto, el objetivo de una CNN es buscar características locales en pequeños grupos de entradas, en el caso de las imágenes, de pixeles, estas características pueden ser bordes o colores más o menos homogéneos, buscando detectar la misma característica en todos lo grupos, por lo que permite repetir esa estructura y reducir los ajustes.. Procesamiento de Imágenes El procesamiento de imágenes se define como la adquisición, transmisión, procesamiento y representación de alas imágenes. Para llevar a cabo el procesamiento de imágenes existen métodos como segmentación por color-space (Restrepo Rodríguez, Casas Mateus, Gaona García, Montengro Marín, & González Crespo, 2018), detector de contornos (Raj, Claris, & Supriya, 2017)y Threshold (Rui, y otros, 2015), entre otros muchos más. Al hacer uso de las técnicas de procesamiento de imágenes se busca mejorar la apariencia visual de las imágenes para un observador y para preparar convenientemente el contenido y hacerlo más entendible para una máquina. 2.1.6.1 Segmentación por Color-space El método de segmentación por color-space trabaja directamente sobre un espacio de color, con el fin de aislar el resto de colores .Como primera instancia se hace un redimensionamiento de las imágenes, obteniendo como resultado una dimensión de 19.

(40) Capítulo 2 - Marco Referencial. 128x128 pixeles, después a partir del color objetivo seleccionado y un rango de colores cercanos, se realiza la segmentación por color space, con el fin de separar los colores en la imagen, por lo tanto, pintando los valores dentro de estos parámetros de color blanco y el resto de un color negro, a esto se le denomina máscara, la cual proporciona un contraste en la imagen. Haciendo uso de la máscara, la parte blanca tomará el color verde mientras el resto de la imagen sigue negra, para demarcar el contorno de la vocal, el color objetivo seleccionado para el proceso fue BGR (47, 122, 16). La Figura 5, presenta este proceso.. Figura 5 Segmentación por Color-space Fuente: Propia. 2.1.6.2 Detector de Contornos Se define como una técnica de procesamiento de imágenes la cual tiene como propósito encontrar los contornos en una imagen. Como primer paso, se procede a aplicar un filtro Gaussiano con el fin de filtrar cualquier ruido inmerso en la imagen, posterior se debe encontrar el gradiente de intensidad, haciendo uso de procedimiento análogo a Sobel, acto seguido se aplica Non-Maximum suppression para remover los pixeles que no son considerados parte del borde, en el paso final se utiliza Hysteresis, tomando 2 umbrales (Superior e inferior), si el gradiente de píxeles es más alto que el umbral superior se considera como borde, de lo contrario se rechaza, pero si se encuentra entre los umbrales, se aceptará si está conectado a un pixel que esté por encima del umbral superior, para poder aplicar este paso se realiza el redimensionamiento de la imagen y ubicar los umbrales (Raj, Claris, & Supriya, 2017). La Figura 6, presenta el proceso.. 20.

(41) Capítulo 2 - Marco Referencial. Figura 6 Canny Edge Detector Fuente: Propia. 2.1.6.3 Threshold Para realizar este método de segmentación, como primer paso se debe pasar la imagen a escala de grises, para convertirla en una imagen binaria, por medio de una operación no lineal de acuerdo al valor especificado del umbral, en este caso se calcula automáticamente el valor del umbral por medio de la binarización de Otsu, mediante el histograma de la imagen para una imagen bimodal (Rui, y otros, 2015). La Figura 7 presenta este proceso.. Figura 7 Threshold Fuente: Propia. 21.

(42) Capítulo 2 - Marco Referencial. Interfaz Cerebro Computadora (BCI) Las interfaces cerebro computarizadas, o como son conocidas en inglés Brain Computer Interface (BCI), son dispositivos que realizan interacción entre el cerebro y un elemento físico, esta interfaz permite controlar una vía de comunicación directa entre el cerebro y el objeto. En el caso del control del cursor, por ejemplo, la señal se transmite directamente desde el cerebro al mecanismo que dirige el cursor, en lugar de tomar la ruta normal a través del sistema neuromuscular del cuerpo desde el cerebro hasta el dedo del mouse (Rouse, 2011). Adicionalmente estas interfaces pueden proporcionar retroalimentación sensorial de las oscilaciones cerebrales en curso, lo cual implica la grabación y decodificación de señales cerebrales locales generadas por el usuario, El objetivo principal es promover el reclutamiento de áreas cerebrales seleccionadas involucradas y facilitar la plasticidad neuronal, finalmente las señales emitidas por este dispositivo se pueden usar para el fortalecimiento de entrenamiento basado en imágenes motoras, para generar tareas motoras a través de la estimulación eléctrica y para la comprensión de la organización de parte del funcionamiento del cerebro (van Dokkum, Ward, & Laffont, 2015).. Test de Dominancia Cerebral de Ned Herrmann El investigador estadounidense Ned Herrmann elaboró un modelo que se inspira en los conocimientos del funcionamiento cerebral para averiguar los distintos estilos de aprendizaje. Plantea que el funcionamiento del cerebro humano es conducido por cuatro cuadrantes interconectados representados por cuadro modalidades de procesamiento mental. Herrmann lo describe como una metáfora y hace una analogía del cerebro humano con el globo terrestre con sus cuatro puntos cardinales. Por lo tanto, los cuatro cuadrantes representan cuatro formas distintas de operar, de pensar, de crear, de aprender y de relacionarse con el mundo. La Figura 8 presenta le modelo de cuatro cuadrantes propuesto por William Herrmann.. 22.

(43) Capítulo 2 - Marco Referencial. Figura 8 Cuadrantes de dominancia cerebral Test de Ned Herrmann Fuente: Propia. Para efectos de practicidad, el cuadrante azul A será nombrado como Racional, el cuadrante verde B como Organizativo, el cuadrante rojo C Relacional y el cuadrante amarillo D Imaginativo. A continuación, se presentan las características principales de estos cuadrantes.. 2.1.8.1. Cuadrante Racional. Tiene dificultades para integrar conocimientos a partir de experiencias informales. Prefiere conocer la teoría, el funcionamiento de las cosas antes de pasar a la experimentación. Le gusta las clases sólidas, argumentadas, apoyadas en los hechos y las pruebas. Va a clase a aprender, tomar apuntes, avanzar en el programa para conocerlo bien al final del curso. • • •. Comportamientos: frio, distante, pocos gestos, voz elaborada intelectualmente brillante; evalúa, crítica; irónico; le gustan las citas; competitivo; individualista. Procesos: Análisis; razonamiento; lógica; Rigor, claridad; le gustan los modelos y las teorías; colecciona hechos; procede por hipótesis; le gusta la palabra precisa. Competencias: Abstracción; matemático; cuantitativo; finanzas; técnico; resolución de problemas. Tiene necesidad de hechos. 23.