The stage of cancer diagnosis affects the rate of recovery, as in other types of cancer. Ovarian cancer is a serious disease for older women, is not noticed at the initial stage and is often confused with other diseases. Surface-Enhanced Laser Desorption/Ionization Time-of-Flight Mass Spectrometry (SELDITOF-MS) is a potential biomarker for distinguishing ovarian and other types of cancer by allowing the examination of complex samples. In this study, we classified two Low-Resolution SELDI-TOF-MS ovarian datasets from the FDA-NCI website with Artificial Neural Networks (ANN) and compared them. We used Principal Component Analysis (PCA) as a preprocessing step of classification. 20 components of maximum variance in the PCA-applied data are selected and classified with the feed-forward ANN consists of a single hidden layer with 10 neurons, 95% accuracy was achieved for the data set named 4-3- 02 and 100% accuracy achieved for the data set named 8-7-02. Kanserin fark edilme aşaması, diğer kanser türlerinde olduğu gibi iyileşme oranını etkiler. Yaşı ilerlemiş kadınlar için ciddi bir hastalık olan yumurtalık kanseri başlangıç aşamasında fark edilmez, çoğu zaman diğer hastalıklarla karıştırılır. Yüzey Güçlendirmeli Lazer Desorpsiyon/İyonizasyon Uçuş Zamanlı Kütle Spektrometresi (SELDI-TOF-MS) kompleks numunelerin incelenmesine olanak sağlayarak yumurtalık ve diğer kanser türlerinin ayırt edilmesinde potansiyel belirteçtir. Bu çalışmada, FDA-NCI web sitesinde yer alan yumurtalıklara ait iki Düşük Çözünürlüklü SELDI-TOF-MS veri setini Yapay Sinir Ağları (YSA) ile sınıflandırarak, veri setlerini karşılaştırıyoruz. Ön işleme adımı olarak, Temel Bileşenler Analizi (PCAPrincipal Component Analysis) kullandık. PCA uygulanmış verinin en yüksek varyans oranına sahip 20 bileşeni seçildi, 10 nörondan oluşan tek gizli katmanlı İleri Yönlü YSA ile sınıflandırma yapıldı ve 4-3-02 isimli veri seti için %95 doğruluk elde edilirken, 8-7-02 isimli veri seti için %100 doğruluk elde edilmiştir

Anksiyete, toplum içerisinde sıklıkla rastlanılan ve aşırı kaygı ile karakterize edilen psikiyatrik bir bozukluktur. Mevcut subjektif yöntemler düşünüldüğünde bu bozukluğun kantitatif yöntemlerle tespiti önem kazanmaktadır. Bu amaçla yapılan çalışmada 5’li Likert tipli Beck Anksiyete ölçeği kullanılıp gerekli klinik değerlendirmeler yapılmıştır. Değerlendirme sonucunda anksiyete bozukluğu bulunan grup ve kontrol grubu şeklinde iki katılımcı grubu belirlenmiştir. Katılımcılardan dinlenim durumunda Elektroensefalografi (EEG) kayıtları alınmış daha sonra EEG sinyallerinden Entropi ve Hjorth (kararsızlık, hareketlilik) parametreleri hesaplanmıştır. Hesaplanan öznitelikler makine öğrenmesinde K -En Yakın Komşu (K-Nearest Neighbor, kNN), Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP) ve Rastgele Orman (Random Forest, RF) sınıflandırma algoritmalarıyla sınıflandırılmışlardır. Bu sınıflandırıcılardan en başarılı sonuç veren model olan kNN %88,4 değerine kadar ulaşabilmiştir. Ayrıca farklı parametrelerin bir arada kullanımının başarı oranında 3 algoritma için yükselişe sebep olduğu gözlenmiştir. Bu sonuçlar makineli öğrenme tekniklerinin anksiyetenin tanı süreçlerinde kullanımına uygun olduğunu gösteren çalışmaları desteklemektedir.

Aim: The Stroop task, specifically related to semantic conflict processing, is one of the most common cognitive tests examining executive functions. This study aimed to investigate neural correlates of the Stroop interference effect by means of simultaneous electroencephalography (EEG) and functional near infrared spectroscopy (fNIRS) measurements using a machine learning approach. Methods: A total of forty-five healthy male university students were included in the study. We measured brain activation with EEG/fNIRS systems during the color-word matching Stroop task. Linear and non-linear dynamics of EEG were computed over five frequency sub-bands. fNIRS analysis was conducted with a general linear model. We combined features from both modalities and employed the Multilayer Perceptron (MLP) algorithm to classify incongruent and neutral trials. The Stroop effect in the subregions of the prefrontal cortex was also investigated using statistical analyses. Results: The results indicated that brain activation due to Stroop interference increased with incongruent stimuli, particularly in the right dorsolateral prefrontal cortex. The Stroop effect was associated with the fractal dimension and power spectral density of EEG. There was a significantly longer reaction time and more task error with incongruent stimuli than neutral trials. MLP classified incongruent and neutral trials with an accuracy rate of 73.3%. Conclusions: This study is the first to examine the Stroop effect using a multimodal EEG/fNIRS system and machine learning approach. Our study revealed that a hybrid EEG/fNIRS system is an effective neuroimaging tool to study neural correlates of Stroop interference. These findings could be used in future neurological and psychiatric research.