Este estudio tiene como objetivo explorar el potencial de los exergames (que se pueden utilizar junto con medicamentos prescriptivos para niños con atrofia muscular espinal) y examinar sus efectos en el monitoreo y diagnóstico. El presente estudio se centra en comparar modelos entrenados con datos de articulaciones para la detección de gestos, lo cual no ha sido ampliamente explorado en estudios anteriores. El estudio investiga tres enfoques para detectar gestos basados en datos de articulaciones 3D de Microsoft Azure Kinect. Discutimos reglas de decisión simples basadas en ángulos y distancias para etiquetar gestos. Además, exploramos métodos de aprendizaje supervisado para aumentar la precisión del reconocimiento de gestos en la gamificación. Los modelos comparados tuvieron un buen desempeño en los datos de muestra grabados, con las redes neuronales recurrentes superando a las redes neuronales de avance y a los árboles de decisión en los movimientos capturados. Los hallazgos sugieren que el reconocimiento de gestos basado en datos de articulaciones puede ser una herramienta valiosa para el monitoreo y diagnóstico de niños con atrofia muscular espinal. Este estudio contribuye al creciente cuerpo de investigación sobre el potencial de soluciones virtuales en la rehabilitación. Los resultados también destacan la importancia de utilizar datos de articulaciones para el reconocimiento de gestos y proporcionan información sobre los modelos más efectivos para esta tarea. Los hallazgos de este estudio pueden informar el desarrollo de herramientas de monitoreo y diagnóstico más precisas y efectivas para niños con atrofia muscular espinal.