HIGH-M
Willkommen auf der Online-Präsenz des HIGH-M Projekts (Human Interaction assessment and Generative segmentation in Health and Music)!
Angesiedelt am Institut für Angewandte Sozialwissenschaften (IFAS) der Technischen Hochschule Würzburg Schweinfurt (THWS) wird im HIGH-M Projekt ein Analysetool entwickelt, das Autonomie - verstanden nach Kenneth E. Bruscia als Typen musikalischer Interaktion - in musiktherapeutischen Improvisationen untersucht. Dazu werden verschiedene Theorien zur Analyse von Improvisation und Interaktion miteinander synthetisiert und automatisiert. Mit der Frage nach spezifischen Typen von Interaktion, wird unser Analysetool an musiktherapeutischen Improvisationen von Personen mit depressiver Erkrankung getestet und angewandt.
In der Entwicklung unseres Tools verfolgen wir zwei Ziele in der Anwendung: Zum einen soll es in der Lage sein, musiktherapeutische und künstlerische Improvisationen in ihrer mikrosozialen Dynamik zu analysieren. Zum anderen soll es als diagnostisches Instrument in der klinischen Musiktherapie verwendet zu werden und Assessment-Prozesse damit unterstützen. Unser Fokus liegt dabei auf der Analyse und Erkennung depressiven Verhaltens, auf dem unser Datensatz beruht.
Unterstützt werden wir in der Entwicklung von zahlreichen nationalen und internationalen Partner*innen, die neben den bereitgestellten Daten, Expertise im Bereich computerbasierter Analyse, Music Information Retrieval und kognitiven sowie musiktherapeutischen Hintergründen mit einbringen. Die THWS ist auch Gründungsmitglied des International Music Therapy Assessment Consortium (IMTAC), wozu HIGH-M einen weiteren Beitrag leistet.
Auf den folgenden Seiten können Sie Näheres zum Aufbau, dem momentanen Stand der Studie, unseren Partnern und bisherigen Veröffentlichungen erfahren. Bei weiteren Fragen oder Interesse treten Sie gerne mit uns in Verbindung.
Aktuelles
Unser letzter Beitrag
Projektstatus HIGH-M (September 2024)
Bis September 2024 wurden folgende Ziele des HIGH-M Projekts erreicht:
- Die Music Therapy Toolbox wurde für ein präziseres Analyseergebnis weiterentwickelt
- Zentrale Schnittstellen für das Pre-Processing des Machine Learning Datensatzes wurden erstellt
- Zwei Segmentierungsprototypen wurden angefertigt und werden evaluiert
- Das erste Paper wurde fertiggestellt und in ein Journal eingereicht
Als nächstes werden folgende Ziele verfolgt:
- Beide Segmentierungsprototypen werden evaluiert und final auf den Datensatz angewandt
- Argumente und Interaktionstypen der Autonomy Microanalysis werden formalisiert
- Zentrale Features zur Distinktion der Interaktionstypen werden digital implementiert
Unsere Partner
