Selected | Data Science Portfolio

HeartBrain

Sun, 01 Nov 2026 00:00:00 +0000

HeartBrain is research at Chalmers on reading the heart from the EEG. Clinical and wearable EEG often has no ECG channel, so the cardiac signal is discarded as artifact. This project recovers the heartbeat from the EEG itself, then asks when that rhythm is reliable enough to use.

Independent component analysis separates the heartbeat from the brain signal. A quality score, computed without an ECG, selects the recordings where the recovered beats can be trusted. On held-out adult and paediatric recordings, recordings flagged by that score had a median F1 of 0.94 against chest ECG and a heart-rate error of 0.4 bpm.

Two applications follow from the same beats. One is atrial-fibrillation screening from routine sleep EEG: a classifier trained on long ECG records kept an AUC of 0.985 after realistic EEG beat errors were added. The other is the heartbeat-evoked potential in autistic and typically developing children, which normally requires an ECG the recordings do not have.

These are preliminary results from November 2026. They will be re-run independently before any paper. Planned outputs are a methods paper, an atrial-fibrillation paper, and an open-source Python toolbox.

HeartBrain

Sun, 01 Nov 2026 00:00:00 +0000

HeartBrain är forskning på Chalmers om att läsa hjärtat ur EEG. Kliniskt EEG och bärbart EEG saknar ofta en EKG-kanal, och hjärtsignalen kastas då bort som artefakt. Projektet återskapar hjärtslagen ur själva EEG-signalen och frågar när den rytmen är tillräckligt tillförlitlig för att användas.

Oberoende komponentanalys skiljer hjärtslagen från hjärnsignalen. Ett kvalitetsmått, beräknat utan EKG, väljer de inspelningar där de återskapade slagen går att lita på. I undanhållna inspelningar från vuxna och barn hade de inspelningar som måttet flaggade en median-F1 på 0,94 mot bröst-EKG och ett fel i hjärtfrekvens på 0,4 slag per minut.

Samma slag ger två tillämpningar. Den ena är screening av förmaksflimmer från vanligt sömn-EEG: en klassificerare tränad på långa EKG-inspelningar behöll AUC 0,985 efter att realistiska EEG-fel lagts på. Den andra är den hjärtslagsframkallade potentialen hos autistiska barn och barn med typisk utveckling, ett mått som annars kräver ett EKG som inspelningarna inte har.

Det här är preliminära resultat från november 2026. De ska köras om av någon annan innan någon artikel skrivs. Planerade resultat är en metodartikel, en artikel om förmaksflimmer och en öppen Python-verktygslåda.

Nexus

Thu, 01 Oct 2026 00:00:00 +0000

Nexus is the Earth-observation platform I led as CTO at AquaGuard Technologies. The project was first called Trident, and the name was changed to Nexus during the engagement. The work moved the system from a technology readiness level of 5 toward a validated level of 6 to 7.

The data side is a multi-sensor pipeline for SAR and optical imagery. It covers ingestion, radiometric and geometric correction, and versioned training sets tracked with DVC and Git.

The model side is detection trained in PyTorch and TensorFlow. Validation is reported with precision, recall, F1, and confusion matrices, including tests of cloud deployment. Inference is exposed through JSON and GeoJSON APIs, and a WebGIS dashboard is checked so that detections and metadata on screen match the model output.

Nexus

Thu, 01 Oct 2026 00:00:00 +0000

Nexus är den plattform för jordobservation som jag ledde som teknisk chef på AquaGuard Technologies. Projektet hette först Trident och bytte namn till Nexus under uppdraget. Arbetet flyttade systemet från teknisk mognadsgrad 5 mot en validerad nivå 6 till 7.

Datasidan är en flersensor-pipeline för SAR- och optiska bilder. Den omfattar inhämtning, radiometrisk och geometrisk korrigering och versionshanterade träningsmängder med DVC och Git.

Modelsidan är detektion tränad i PyTorch och TensorFlow. Valideringen redovisas med precision, recall, F1 och förväxlingsmatriser, inklusive tester av molndrift. Inferens exponeras via JSON- och GeoJSON-API:er, och en WebGIS-panel kontrolleras så att detektioner och metadata på skärmen stämmer med modellens utdata.

Evidence-based LLM shortlisting

Thu, 01 Jan 2026 00:00:00 +0000

Built for Ottomater, this service turns a job description and a set of résumés into a ranked shortlist. A large language model extracts explicit requirements and a small set of inferred criteria, enriches them with retrieval, and scores each candidate against each criterion.

Every score comes with a short justification and a longer explanation. The ranking is decision support for a recruiter, not an automated hiring decision. The design includes checks for hallucinated qualifications, biased assessments, and explanations that cannot be audited.

The app is deployed on Google Cloud Run: https://shortlisting-1016040926675.us-central1.run.app

Evidensbaserad kortlistning med språkmodell

Thu, 01 Jan 2026 00:00:00 +0000

Tjänsten, byggd för Ottomater, gör om en platsannons och en uppsättning cv:n till en rangordnad kortlista. En stor språkmodell plockar ut uttalade krav och en liten mängd härledda kriterier, berikar dem med retrieval och poängsätter varje kandidat mot varje kriterium.

Varje poäng har en kort motivering och en längre förklaring. Rangordningen är beslutsstöd för en rekryterare, inte ett automatiskt anställningsbeslut. Konstruktionen innehåller kontroller för påhittade meriter, snedvridna bedömningar och förklaringar som inte går att granska.

Appen körs på Google Cloud Run: https://shortlisting-1016040926675.us-central1.run.app