Computer Vision Methods for Frequency Analysis of RFI in Radio Astronomy Data

Resumen Técnico: Métodos de Visión Computacional para el Análisis de Frecuencia de la Interferencia de Radiofrecuencia en Datos de Radioastronomía

Enunciado del Problema
La Interferencia de Radiofrecuencia (RFI) contamina cada vez más los espectros de radioastronomía, superando a menudo las amplitudes de las señales astronómicas entre 50 y 70 dB. Esta contaminación plantea un desafío crítico para la detección de fenómenos transitorios débiles, como púlsares y Explosiones de Radio Rápidas (FRB). Si bien las técnicas de mitigación existentes —específicamente la Kurtosis Espectral (SK), la Desviación Absoluta Mediana (MAD) y SumThreshold— son efectivas en muchos contextos, dependen de suposiciones sobre el entorno de RFI y las estadísticas de los datos. En consecuencia, estos métodos pueden tener dificultades con interferencias débiles, de banda ancha o no estacionarias, y no logran capturar la gama completa de morfologías de RFI. El etiquetado manual, aunque preciso, es inviable para los conjuntos de datos a gran escala modernos.

Metodología
Los autores proponen un método de detección de RFI basado en transformadas que opera sin conocimiento previo del origen o tipo de la RFI. El enfoque trata la representación frecuencia-tiempo de los datos como una imagen, aplicando técnicas de visión computacional para distinguir la interferencia de las señales astronómicas. La tubería propuesta consta de los siguientes pasos:

1. Transformada de Fourier de Tiempo Corto (STFT): A diferencia del análisis estándar en el dominio de la frecuencia, el método aplica una STFT a cada canal de frecuencia discreto ($\Delta W$) del espectrograma original. Para los datos de la banda L del Telescopio de Green Bank (GBT) utilizados, cada canal abarca 195,312.5 Hz. La STFT (con tamaño de ventana $L$) convierte los datos de serie temporal de cada canal en un arreglo frecuencia-tiempo de valor complejo ($Z_k$).
2. Segmentación de Imagen: La magnitud del arreglo STFT ($X_k$) se trata como una imagen. Se aplican dos algoritmos clásicos de segmentación de imágenes para generar una máscara binaria de RFI:
   • Modelo de Mezcla Gaussiana (GMM): Un enfoque de agrupamiento basado en modelos que asume que los valores de los píxeles son generados por una mezcla de dos distribuciones gaussianas (una para RFI y otra para datos limpios). Los parámetros se estiman utilizando el algoritmo de Esperanza-Maximización (EM) y los píxeles se clasifican mediante la probabilidad de Máxima A Posteriori (MAP).
   • Umbralización MAD basada en Energía: Un enfoque estadístico donde los píxeles se marcan como RFI si su desviación de la mediana supera un umbral definido por la Desviación Absoluta Mediana (MAD) escalada por un parámetro de diseño $\gamma$ (típicamente 3–7).
3. Aplicación de la Máscara y Reconstrucción: La máscara binaria resultante (ceros para RFI, unos para datos limpios) se aplica punto por punto a los datos complejos STFT ($Z_k$) para suprimir las regiones contaminadas. Los datos limpiados se transforman inversamente mediante Fourier y se reensamblan en la serie temporal original para cada canal.
4. Evaluación: El espectrograma limpiado se procesa a través de una tubería estándar de radioastronomía: desdispersión (corrigiendo el retraso ionosférico) e integración de frecuencia. El rendimiento se cuantifica mediante la Relación Señal-Ruido (S/N) de un solo pulso de la fuente objetivo, PSR J1713+0747.

Contribuciones Clave

• Tubería Novel: La introducción de una novedad ingenieril de dos pasos: refinar el contenido de frecuencia del canal mediante STFT seguido de segmentación en el dominio STFT.
• Detección sin Suposiciones: El método no requiere conocimiento previo de las características de la RFI, confiando en su lugar en la suposición de que la RFI aparece como características estructuradas de alta energía dentro de la imagen de magnitud STFT.
• Segmentación Híbrida: La aplicación de tanto GMM como umbralización MAD basada en energía a datos de espectrograma, demostrando que estas técnicas de visión computacional pueden separar eficazmente la RFI estructurada del ruido de fondo.

Resultados Experimentales
El estudio utilizó datos del GBT que contenían PSR J1713+0747 (1.1–1.9 GHz, 4096 canales, muestreo de 5.12 $\mu$s) con fuentes de RFI conocidas (Iridium, radar de la FAA, GPS-L3 y emisores no identificados).

• Comparación con la Línea Base: El estimador SK sirvió como línea base. SK logró una S/N máxima de 22.85 (con $\gamma=5.0$) en comparación con la S/N de los datos crudos de 19.59.
• Rendimiento del Método Propuesto: La segmentación basada en GMM aumentó la S/N a 30.54. El método combinado de GMM y umbralización basada en energía produjo valores de S/N que oscilaron entre 29.08 y 30.58 a través de diferentes valores de $\gamma$, demostrando robustez frente al parámetro de umbral.
• Manejo de Morfología: La inspección visual de espectrogramas de varios canales (1436, 1818, 1830, 1913) confirmó que los algoritmos de segmentación separaron con éxito la RFI del nivel de ruido, independientemente de si la interferencia era de banda estrecha, variable en el tiempo o densamente estructurada.
• Sensibilidad a la Longitud de Ventana: Los experimentos que variaron la longitud de la ventana STFT ($L$) mostraron que longitudes de 512 y 1024 proporcionaron mejoras sustanciales en la S/N sobre SK, equilibrando eficazmente la resolución temporal y frecuencial.

Significado y Afirmaciones
El artículo afirma que refinar el contenido de frecuencia de cada canal mediante STFT, seguido de segmentación en el dominio STFT, produce mejoras medibles en la supresión de RFI en comparación con métodos tradicionales como SK. Los autores afirman que las técnicas de visión computacional separan eficazmente la RFI estructurada de las señales astronómicas, ofreciendo una alternativa flexible a los métodos dependientes de suposiciones estadísticas específicas sobre la interferencia. Los resultados sugieren que este enfoque basado en transformadas es particularmente efectivo para mejorar la S/N de señales transitorias en entornos contaminados por RFI.