Extended Kalman Smoothing of Free Spin Precession Signals for Accurate Magnetic Field Determination

Resumen Técnico: Suavizado de Kalman Extendido de Señales de Precesión de Espín Libre para la Determinación Precisa de Campos Magnéticos

Planteamiento del Problema
La determinación precisa de la densidad de flujo magnético estático depende de la medición de la frecuencia de precesión de espín libre ($f_L$) de núcleos polarizados, como el $^3$He, mediante la relación $f_L = \frac{\gamma}{2\pi}B_0$. Si bien la razón giromagnética $\gamma$ para el $^3$He se conoce con una precisión extrema (incertidumbre relativa $<10^{-9}$), la precisión general de las mediciones de campo magnético está limitada actualmente por la precisión de la estimación de la frecuencia de las señales de Resonancia Magnética Nuclear (RMN). Los métodos tradicionales, principalmente el ajuste de mínimos cuadrados no lineales (específicamente el ajuste seno-coseno o SCF), enfrentan desafíos significativos cuando se aplican a señales de Decaimiento de Precesión Libre (FPD). Estas señales exhiben un decaimiento de amplitud exponencial y cambios de frecuencia dependientes del tiempo debido a derivas del campo magnético. Los enfoques convencionales a menudo requieren dividir los datos en bloques de longitud fija para asumir una amplitud y frecuencia constantes, lo que crea un compromiso: los bloques cortos se adaptan a las derivas pero sufren una alta varianza debido al ruido, mientras que los bloques largos reducen el ruido pero no logran rastrear cambios rápidos de frecuencia o el decaimiento de la amplitud, lo que provoca un desajuste del modelo y sesgo.

Metodología
Los autores proponen una aplicación novedosa del Suavizado de Kalman Extendido (EKS) para estimar la frecuencia y la amplitud variables en el tiempo a partir de señales FPD. A diferencia del Filtro de Kalman estándar, que opera en tiempo real, el EKS utiliza todas las mediciones disponibles (pasadas y futuras) para refinar las estimaciones de estado, lo que lo hace ideal para el post-procesamiento de datos de sensores.

La metodología involucra los siguientes componentes clave:

1. Modelado de Espacio de Estados: El sistema se modela en el dominio de la frecuencia en lugar del dominio del tiempo. La señal se segmenta en bloques no superpuestos. Para cada bloque, el vector de estado $x_k$ incluye la amplitud $A_k$, el desfase de frecuencia $\delta f_k$ y la fase $\phi_k$. La evolución de estos estados se modela como caminatas aleatorias integradas (para la amplitud y la frecuencia) e integración numérica (para la fase).
2. Ecuación de Medición: En lugar de ajustar la señal en el dominio del tiempo directamente, el EKS compara la predicción del modelo con los coeficientes de la Transformada de Fourier Discreta (DFT) de los bloques de la señal. Esto transforma el ruido gaussiano aditivo de la señal en el dominio del tiempo en componentes de ruido gaussiano independientes en el dominio de la frecuencia, lo que reduce significativamente la varianza del ruido.
3. Optimización de Parámetros: Los parámetros estáticos del modelo (covarianza de ruido de proceso $Q$, covarianza de ruido de medición $R$ e valores iniciales) se optimizan automáticamente utilizando un algoritmo de Esperanza-Maximización (EM). Esto permite que el método se adapte a las características de la señal sin necesidad de un ajuste manual de la longitud de los bloques o de los parámetros de ruido.
4. Método de Referencia: El EKS se compara con el método estándar de Ajuste Seno-Coseno (SCF), que utiliza la proyección variable para separar los parámetros lineales y no lineales. En el enfoque SCF, la longitud óptima del bloque se determina retrospectivamente en simulaciones para minimizar el Error Cuadrático Medio (MSE), representando un escenario de "mejor caso" para el método tradicional.

Contribuciones Claves

• Innovación Algorítmica: El artículo introduce un marco de EKS en el dominio de la frecuencia específicamente adaptado para rastrear señales armónicas con frecuencia que varía lentamente y amplitud decreciente, utilizando coeficientes de Fourier como modelo de medición.
• Adaptación Automatizada: El método elimina la necesidad de la selección manual de longitudes de bloque o parámetros de ruido, que son pasos de ajuste críticos y a menudo difíciles de calibrar. El algoritmo EM gestiona la optimación de las covarianzas de ruido de proceso y de medición.
• Evaluación Comparativa Exhaustiva: El estudio proporciona una comparación rigurosa entre EKS y SCF utilizando tanto simulaciones extensas (variando la Relación Señal-Ruido y las constantes de difusión de deriva de frecuencia) como datos experimentales reales de un magnetómetro de $^3$He.

Resultados

• Estudios de Simulación: A través de un amplio rango de Relaciones Señal-Ruido (SNR) y tasas de deriva de frecuencia, el EKS redujo sistemáticamente los errores de estimación en comparación con el SCF. En regímenes con SNR moderada a alta y frecuencias en evolución, el EKS mejoró las estimaciones de frecuencia por un factor de aproximadamente 2 (indicado por $\rho_{RMSE,f} \approx -1$). El SCF solo superó al EKS en regímenes de SNR muy baja y deriva de frecuencia insignificante, donde se aproxima al límite de Cramér–Rao.
• Estimación de Amplitud: El EKS superó significativamente al SCF en la estimación de la amplitud de la señal, ya que el supuesto del SCF de una amplitud constante dentro de bloques fijos conduce a la degradación cuando la señal decae exponencialmente.
• Validación Experimental: Aplicado a datos experimentales de una medición de precesión de espín de $^3$He (duración ~4 horas), el EKS demostró un seguimiento superior de las fluctuaciones de frecuencia. Mientras que las estimaciones del SCF con longitudes de bloque grandes no lograron resolver variaciones rápidas de frecuencia (por ejemplo, un giro ascendente a ~300s) y exhibieron intervalos de incertidumbre poco fiables, el EKS mantuvo un seguimiento consistente. Notablemente, el EKS logró intervalos de incertidumbre comparables a los del SCF utilizando longitudes de bloque casi dos órdenes de magnitud más pequeñas, demostrando una mayor resolución temporal sin sacrificar la precisión.

Significancia
El artículo sostiene que el análisis basado en EKS mejora sustancialmente la precisión de la estimación de la frecuencia en la magnetometría basada en RMN, que es el paso fundamental para la determinación absoluta del campo magnético. Al filtrar eficazmente el ruido y adaptarse automáticamente al decaimiento de la señal y a las derivas de frecuencia, el método mejora la estabilidad y la precisión de las mediciones de alta precisión. Los autores enfatizan que este enfoque versátil es particularmente valioso para rastrear las fluctuaciones del campo magnético a lo largo del tiempo, un requisito crítico para las aplicaciones modernas de magnetometría. El trabajo proporciona una implementación robusta y de fácil uso que no depende de parámetros dependientes del sistema, lo que lo convierte en un candidato prometedor para reemplazar los métodos actuales de mínimos cuadrados de última generación en mediciones de RMN de ultra alta precisión.