Diplomingenjörsstuderande i datateknik
Inriktning: medicinsk teknik
Jag studerar till diplomingenjör i datateknik med inriktning mot medicinsk teknik och hälsoteknologi.
Min bakgrund omfattar brett kunnande inom datateknik: algoritmer, datastrukturer, operativsystem och inbyggda system. Utöver detta har jag tillämpad kunskap särskilt inom biosignalbehandling, medicintekniska system och dataanalys. Jag har arbetat med verkliga biosignaler såsom ECG, PPG, EOG och EMG.
Jag är van att arbeta i grupp, både i studieprojekt och i praktiska, tekniska miljöer. Dokumentation och systematik är en viktig del av mitt arbetssätt, särskilt vid samarbete i multidisciplinära grupper.
Utöver det tekniska har jag ett uttalat intresse för psykologi, särskilt i kombination med IT-system.
Samarbetar regelbundet i multidisciplinära team. I föreningsarbete har jag blivit van med att leda och koordinera team. Som anställd på Viking Line har jag vardagligen kommunicerat professionellt med kunder och personal.
Praktisk felsökning av tekniska system. Jag är van med att arbeta metodiskt enligt dokumentation och anvisningar.
Systematisk approach till både tekniskt arbete och projektledning.
Jag är en van ledare både teoretiskt och i praktiken. Jag är van med att ta ansvar i grupp och koordinera mellan olika intressenter. Jag har fått formell ledarskapsutbildning genom universitetskurs, genom min militärtjänstgöring och genom scoutorganisationen.
Underofficer.
Scoutledare sedan 2020.
Styrelsearbete i studentorganisation.
Brädspelstimer i stil med en schackklocka men för flera användare. Byggd med vanilla JavaScript.
Embedded systems engineer i ett 6 månader långt universitetsprojekt. Jag ansvarar för utveckling av en inbyggda-system enhet som läser data om elbilar via OBD-2 diagnostikport och skickar vidare lätt behandlad data till server.
Skills:
Samarbete
Planering
Dokumentering
Problemlösning
Implementering
Mjukvaruproduktion
Presentation & Pitching av projektet
Utveckling av hårdvara
Marknadsundersökning
Projektet syftade till att automatiskt klassificera sömnstadier (vaken, NREM, REM) utifrån EOG- och EMG-signaler med hjälp av maskininlärning. Rådata förbehandlades med Butterworth-bandpassfilter (EOG: 0,5–50 Hz, EMG: 20–99 Hz) och egenskaper extraherades i frekvensdomänen via Welch-metoden – bland annat dominant frekvens, spektral entropi, centroid och rolloff.
Två klassificeringsmodeller jämfördes: Random Forest och SVM med RBF-kärna. Hyperparametrar optimerades med GridSearchCV och RFECV användes för att välja ett optimalt delmängd av egenskaper. Random Forest uppnådde ~82% noggrannhet och visade sig mer robust över alla klasser, medan SVM uppnådde ~77%.
Tekniker: Python, NumPy, SciPy, scikit-learn
Avhandlingen undersöker säkerhetsbrister i GNSS-system. Primärt spoofing och jamming, samt utvärderar alternativa och kompletterande positioneringsmetoder för situationer där GNSS-signalen är opålitlig eller otillgänglig. Arbetet kombinerar en systematisk litteraturgenomgång med teknisk analys av metodernas prestanda, tillförlitlighet och praktiska tillämpbarhet.
Betyg: 5/5
# Fler projekt läggs till löpande