HIGH-M im Detail

Worum geht es in HIGH-M?

HIGH-M (Human Interaction assessment and Generative segmentation in Health and Music)

Die musikalische Improvisation hat sich im Bereich der klinischen Therapie als wirksame Methode der Musiktherapie herausgestellt. Darüber hinaus kann sie auch einen wichtigen Ansatz für klinisches Assessment und Diagnostik bieten. Durch sie wird das Verhalten von Menschen mit schweren affektiven Störungen, schweren kognitiven Beeinträchtigungen und neurodegenerativen Erkrankungen wie zum Beispiel Demenz oder Depression, anstelle von Eigenaussagen im Rahmen von Fragebögen, direkt im musikalischen Verhalten der betroffenen Person erkennbar.Das HIGH-M Projekt entwickelt ein Verfahren zur Automatisierung der Analyse musikalischer Interaktion in klinischen Improvisationen und trägt damit zur Anwendbarkeit musiktherapeutischer Methoden in klinischer Diagnostik und Assessment bei.

Das HIGH-M Projekt (Human Interaction assessment and Generative segmentation in Health and Music) wird in Kooperation mit der KI-Juniorprofessur der Hochschule für Musik Nürnberg "Künstliche Kreativität und musikalische Interaktion" sowie mit internationalen Partnern, wie der Universität Jyväskylä, der Universität Oslo und dem Cambridge Institute for Music Therapy Research durchgeführt. In der gemeinsamen wissenschaftlichen Arbeit treffen verschiedene analytische Verfahrensweisen aufeinander, die die Mikroanalyse musikalischer Interaktionen (Improvisation Assessment Profiles Autonomy Micro – IAP-AM) mit datenbasierten Strukturen und Darstellungsformen verknüpfen (Music Therapy Toolbox – MTTB). Die Schlüsselelemente liegen dabei in spezifischen Interaktionsformen, durch die sich das Verhältnis zwischen Klient*in und Therapeut*in, primär im Bereich autonomen Verhaltens, qualifizieren lassen. Zur Formalisierung dieser Interaktionsabläufe wird im Projekt eine soziologisch ausgerichtete Spieltheorie (Social Systems Game Theory) als Framework herangezogen, das neben der Differenzierung der einzelnen Typen von Autonomie weiterhin die besondere Situation der musiktherapeutischen Improvisation mit ihren Implikationen auf das musikalische Ergebnis analysiert. 

Ziel des Projekts ist es, eine KI-gestützte Anwendung zu erstellen, die verschiedene Formen und Typen der musikalischen Interaktion automatisiert erkennt und damit ein effektives Assessment klinischer Musiktherapie unterstützt. Dazu werden regelbasierte und Machine-Learning Ansätze (Multi-Class Classification) miteinander kombiniert, um einzelne Interaktionen zu erkennen und anschließend zu klassifizieren.  

Kontaktpersonen am IFAS: Prof. Dr. Thomas Wosch (Projektleitung), Bastian Vobig M.A. (Doktoranden-Kanditat)

Kooperationsbeteiligte: nationale Kooperation mit Prof. Dr. Sebastian Trump (KI-Juniorprofessur "Künstliche Kreativität und musikalische Interaktion") und Prof. Dr. Martin Ullrich (beide Hochschule für Musik Nürnberg), internationale Kooperation mit Dr. Oliver Lartillot und Anna-Maria Christodoulou (Universität Oslo), Prof. Dr. Jaakko Erkkilä (Universität Jyväskylä) sowie Prof. Dr. Jörg Fachner und Dr. Clemens Maidhoff (Cambridge Institute for Music Therapy Research)

Förderung: THWS-HTA Förderlinie A

Weitere Informationen können angefragt werden unter bastian.vobig[at]thws.de