Detailansicht
Influence of creative engagement in Parkinson's disease
a quantitative image property and machine learning analysis
Paul Alexander Hasler
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Psychologie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Psychologie
Betreuer*in
Matthew Pelowski
DOI
10.25365/thesis.80718
URN
urn:nbn:at:at-ubw:1-28111.84925.627544-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Parkinson-Krankheit ist eine progressive neurodegenerative Erkrankung, die nicht nur mit motorischen Beeinträchtigungen, sondern auch mit kognitiven, emotionalen und kreativitätsbezogenen Veränderungen einhergeht. Zunehmende empirische Evidenz deutet darauf hin, dass Veränderungen im künstlerischen Ausdruck einen frühen und bislang wenig erforschten Marker der Erkrankung darstellen könnten. Das primäre Ziel der vorliegenden Masterarbeit bestand darin, eine standardisierte, quantitative und reproduzierbare methodische Pipeline zur Analyse kunstbezogener Veränderungen bei der Parkinson-Krankheit zu validieren. Konkret wurde untersucht, ob die kombinierte Anwendung einer kontrollierten Zeichenaufgabe, objektiver Bildmerkmalextraktion und maschineller Klassifikationsverfahren ein valides Rahmenkonzept zur Unterscheidung von Personen mit Parkinson-Krankheit und gesunden Kontrollpersonen darstellt. Das eingesetzte Machine-Learning-Modell unterschied zuverlässig zwischen Teilnehmenden mit Parkinson-Krankheit und gesunden Kontrollen deutlich über dem Zufallsniveau, wobei die Klassifikation durch mehrere unabhängige quantitative Bildeigenschaften und nicht durch einzelne isolierte Merkmale bestimmt wurde. Von besonderer Bedeutung ist, dass Cue-Bedingungen die Ergebnisse nicht systematisch verzerrten und sowohl longitudinale als auch interventionsbezogene Effekte gering ausfielen, was die zeitliche Stabilität der extrahierten Maße unterstützt. Ultimativ sprechen diese Befunde dafür, dass die beobachteten Gruppenunterschiede auf robuste visuelle Charakteristika zurückzuführen sind und nicht auf Aufgabenartefakte oder kurzfristige Schwankungen. Trotz bestehender Limitationen, insbesondere im Hinblick auf fehlende Prädiktoren und Stichprobenheterogenität, stützen die Ergebnisse die Validität des vorgeschlagenen End-to-End-Ansatzes als standardisiertes, kosteneffizientes und skalierbares Framework für zukünftige Forschung. Die Arbeit zeigt, dass die Integration einer kontrollierten Zeichenaufgabe, quantitativer Bildanalyse und maschinellen Lernens eine methodisch fundierte Grundlage zur Untersuchung kunstbezogener Veränderungen bei der Parkinson-Krankheit bietet und den Weg für Replikationsstudien sowie potenzielle prädiagnostische Anwendungen ebnet.
Abstract
(Englisch)
Parkinson’s disease is a progressive neurodegenerative disorder associated not only with motor impairments but also with cognitive, emotional, and creativity-related changes. Emerging evidence suggests that alterations in artistic expression may constitute an early and underexplored marker of the disease. The primary aim of the present master’s thesis was to validate a standardized, quantitative, and reproducible methodological pipeline for analysing art-related changes in Parkinson’s disease. Specifically, the study evaluated whether the combined use of a controlled drawing task, objective image feature extraction, and machine learning–based classification constitutes a valid framework for distinguishing individuals with Parkinson’s disease from healthy controls. The machine learning model reliably distinguished Parkinson’s disease participants from healthy controls well above chance, with classification driven by multiple independent quantitative image properties rather than isolated features. Importantly, cue conditions did not systematically bias results, and longitudinal as well as intervention-related effects were minimal, supporting the temporal stability of the extracted measures. Together, these findings indicate that the observed group differences are attributable to robust visual characteristics rather than task artifacts or short-term fluctuations. Despite limitations related to missing predictors and sample heterogeneity, the results support the validity of the proposed end-to-end approach as a standardized, cost-effective, and scalable framework for future research. This work demonstrates that integrating controlled drawing task, quantitative image analysis, and machine learning provides a methodologically sound basis for investigating art-related changes in Parkinson’s disease and lays the groundwork for more rigorous replication and potential pre-diagnostic applications.
Schlagwörter
Schlagwörter
(Deutsch)
Parkinson Parkinsons Krankheit Dopamin Kunst Machine Learning QIPs SHAP GBDT gradient boostet desicion tree quantitative image properties ästhetik Shapley Additive exPlanations
Schlagwörter
(Englisch)
quantitative image properties QIP GBDT SHAP Machine Learning Art astethic gradient boostet desicion tree Dopamine Parkinsons disease Parkinsons Shapley Additive exPlanations dual process model
Autor*innen
Paul Alexander Hasler
Haupttitel (Englisch)
Influence of creative engagement in Parkinson's disease
Hauptuntertitel (Englisch)
a quantitative image property and machine learning analysis
Publikationsjahr
2026
Umfangsangabe
71 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Matthew Pelowski
AC Nummer
AC17820186
Utheses ID
79835
Studienkennzahl
UA | 066 | 840 | |