Paralinguistische Stimmmerkmale in Major Depression (ParaStiChaD)

• Antragsteller: Professor Dr. Matthias Berking, seit 10/2022; Professor Dr.-Ing. Björn Schuller
• Fachliche Zuordnung: Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2019 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 421613952

Die Erklärung, Diagnostik, Vorhersage und Behandlung der Major Depression stellen nach wie vor zentrale Herausforderungen für die Gesundheitssysteme weltweit dar. Multimodale Theorien der Depression implizieren, dass paralinguistische Stimmcharakteristika (PSCs) als Teil somatosensorisch-kognitiver Feedbackschleifen eine wichtige Rolle bei der Aufrechterhaltung von Depression spielen könnten. Im Einklang mit dieser Hypothese finden sich Belege für querschnittliche und längsschnittliche Zusammenhänge zwischen paralinguistischen Stimmcharakteristika und Depression. Die diagnostische und prädiktive Validität der Algorithmen, die aktuell zur Identifikation und Nutzung depressionsassoziierter PSC zum Einsatz kommen, ist allerdings aktuell noch begrenzt. Außerdem ist bislang unklar, ob depressionsassoziierte PSCs lediglich als Indikator der Depressionsschwere oder auch als einflussnehmender Faktor gesehen werden müssen. Letztlich liegen bislang keine belastbaren Befunde dazu vor, inwieweit sich depressionsassoziierte PSCs als Ansatzpunkt in der Therapie depressiver Erkrankungen nutzen ließen. Vor diesem Hintergrund zielt das vorgeschlagene Projekt - Paralinguistische Stimmcharakteristika in Depression (ParaStiChaD) - drauf ab, (a) die diagnostische und prädiktive Validität verfügbarer Multifeature-Algorithmen weiter zu verbessern, (b) zu klären, ob PSCs einen kausalen Einfluss auf die depressive Symptomatik haben, und (c) zu explorieren, inwieweit PSC-Feedback-basierte Ansätze die Effektivität evidenz-basierter Behandlungsansätze verbessern können. Um diese Ziele zu erreichen, werden wir mit Hilfe bereits erhobener und im Projekt zu erhebender quer- und längsschnittlicher Daten aktuell verfügbare Algorithmen zur Depressionserkennung und -vorhersage weiter optimieren. Unter Nutzung der optimierten Algorithmen werden wir Intonationsunterschiede zwischen klinisch-depressiven und nicht-depressive Personen in neutralen Sprachproben sowie in Sprachproben kognitiver Umbewertung depressogener Stimuli untersuchen. Darüber hinaus werden wir ein Experiment durchführen, in dem die Effekte eines PSC-Feedbacks auf die Wirksamkeit von kognitiver Umbewertung bei unterschwellig- und klinisch-depressiven Personen getestet werden soll. Aufbauend auf den dabei gewonnenen Erkenntnissen soll abschließend ein PSC-Feedback-unterstütztes Training kognitiver Umstrukturierung bei Depression entwickelt und in einer ersten Pilotstudie explorativ in Bezug auf Machbarkeit, Akzeptanz und Veränderungspotential untersucht werden. Die Ergebnisse des vorgeschlagenen Projekts werden helfen, den kausalen Einfluss depressionsassoziierter PSCs auf die Aufrechterhaltung von Depression zu bestimmen, die Validität ökonomischer und nicht-invasiver Methoden der Depressionserfassung und Vorhersage zu verbessern und eine erste Abschätzung des therapeutischen Potenzial PSC-basierter Invertentionstechniken vorzunehmen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Australien
• Mitverantwortliche: Dr. Andreas Ahnert, Ph.D.; Professor Dr. Johannes Kornhuber; Professor Dr. Oliver Schultheiss
• Kooperationspartner: Professor Dr. Julien Epps, Ph.D.
• Ehemaliger Antragsteller: Professor Dr. Jarek Krajewski, bis 10/2022