Hem
Fotografi av Jens Eriksson

Jens Eriksson

Universitetslektor, Docent

Publikationer

2026

Carlito S. Ponseca, Mohammed O. Musa, Feng Wang, Ignas Nevinskas, Andrius Arlauskas, Chiara Musumeci, Ali Shuaib, Fatemah Aldousari, Jens Eriksson, Kaibo Zheng, Feng Gao (2026) Defect mediated pulse terahertz emission from thiocyanate-treated hybrid perovskite nanoparticles: role of the orientation of built-in surface electric field Scientific Reports, Vol. 16, Artikel 11542 (Artikel i tidskrift) https://dx.doi.org/10.1038/s41598-026-42017-w
Ivan I. Shtepliuk, Lingyin Meng, Christer Borgfeldt, Jens Eriksson, Donatella Puglisi (2026) Biomarker‐Agnostic Detection of Ovarian Cancer from Blood Plasma Using a Machine Learning‐Driven Electronic Nose Advanced Intelligent Systems, Artikel e202500838 (Artikel i tidskrift) https://dx.doi.org/10.1002/aisy.202500838

2025

Donatella Puglisi, Jens Eriksson, Kerstin Montelius, Emanuela Tavaglione, Barbara Fabbri, Rebecca Stenberg, Ivan I. Shtepliuk (2025) Machine Learning-Enhanced Odor Detection System asNext-Generation Forensic Technology AMA Proceedings, s. 120-121 (Konferensbidrag) https://dx.doi.org/10.5162/EUROSENSORS2025/T4.3.4
Donatella Puglisi, Ivan I. Shtepliuk, Jens Eriksson (2025) Integration of Machine Learning for Next Generation Gas Sensor Technology Sensors and Microsystems: Proceedings of AISEM 2025, s. 399-403 (Konferensbidrag) https://dx.doi.org/10.1007/978-3-032-08271-8_63
Jens Eriksson, Donatella Puglisi, Filip Herbst, Arturas Dobilas, Ivan Shtepliuk, Ulrika Joneborg, Henrik Falconer, Angelique Floter Radestad, Christer Borgfeldt (2025) Machine learning-enhanced gas sensor technology identifies ovarian and endometrial cancer of all stages through plasma volatile organic compound patterns eBioMedicine, Vol. 122, Artikel 106027 (Artikel i tidskrift) https://dx.doi.org/10.1016/j.ebiom.2025.106027

Nyheter

En man som arbetar på en maskin i ett labb.

AI-boostad elektronisk näsa hittar äggstockscancer

Med hjälp av maskininlärning kan en elektronisk näsa ”lukta sig” fram till tidiga tecken på äggstockscancer i blodet. Metoden är precis och enligt LiU-forskarna bakom studien skulle den på sikt kunna användas för att hitta många olika cancerformer.