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

Résumé technique : Lissage par filtre de Kalman étendu des signaux de précession de spin libre pour une détermination précise du champ magnétique

Énoncé du problème
La détermination précise de la densité de flux magnétique statique repose sur la mesure de la fréquence de précession de spin libre ($f_L$) de noyaux polarisés, tels que le $^3$He, via la relation $f_L = \frac{\gamma}{2\pi}B_0$. Bien que le rapport gyromagnétique $\gamma$ du $^3$He soit connu avec une précision extrême (incertitude relative $<10^{-9}$), la précision globale des mesures de champ magnétique est actuellement limitée par la précision de l'estimation de la fréquence à partir des signaux de Résonance Magnétique Nucléaire (RMN). Les méthodes traditionnelles, principalement l'ajustement par moindres carrés non linéaires (spécifiquement l'ajustement sinus-cosinus ou SCF), sont confrontées à des défis importants lorsqu'elles sont appliquées aux signaux de décroissance de précession libre (FPD). Ces signaux présentent une décroissance exponentielle de l'amplitude et des dérives de fréquence dépendantes du temps dues aux dérives du champ magnétique. Les approches conventionnelles nécessitent souvent de diviser les données en blocs de longueur fixe pour supposer une amplitude et une fréquence constantes, ce qui crée un compromis : des blocs courts s'adaptent aux dérives mais souffrent d'une variance élevée due au bruit, tandis que des blocs longs réduisent le bruit mais ne parviennent pas à suivre les changements rapides de fréquence ou la décroissance de l'amplitude, entraînant un décalage du modèle et un biais.

Méthodologie
Les auteurs proposent une nouvelle application du lissage par filtre de Kalman étendu (EKS) pour estimer la fréquence et l'amplitude variables dans le temps des signaux FPD. Contrairement au filtre de Kalman standard qui fonctionne en temps réel, l'EKS utilise l'ensemble des mesures disponibles (passées et futures) pour affiner les estimations d'état, ce qui le rend idéal pour le post-traitement des données de capteurs.

La méthodologie comprend les composantes clés suivantes :

1. Modélisation de l'espace d'état : Le système est modélisé dans le domaine fréquentiel plutôt que dans le domaine temporel. Le signal est segmenté en blocs non chevauchants. Pour chaque bloc, le vecteur d'état $x_k$ inclut l'amplitude $A_k$, le décalage de fréquence $\delta f_k$ et la phase $\phi_k$. L'évolution de ces états est modélisée comme des marches aléatoires intégrées (pour l'amplitude et la fréquence) et une intégration numérique (pour la phase).
2. Équation de mesure : Au lieu d'ajuster directement le signal temporel, l'EKS compare la prédiction du modèle aux coefficients de la Transformée de Fourier Discrète (DFT) des blocs de signal. Cela transforme le bruit gaussien additif du signal temporel en composantes de bruit gaussien indépendantes dans le domaine fréquentiel, réduisant ainsi considérablement la variance du bruit.
3. Optimisation des paramètres : Les paramètres statiques du modèle (covariance du bruit de processus $Q$, covariance du bruit de mesure $R$ et valeurs initiales) sont optimisés automatiquement à l'aide d'un algorithme d'Espérance-Maximisation (EM). Cela permet à la méthode de s'adapter aux caractéristiques du signal sans réglage manuel de la longueur des blocs ou des paramètres de bruit.
4. Méthode de référence : L'EKS est comparé à la méthode standard de Sine-Cos-Fit (SCF), qui utilise la projection variable pour séparer les paramètres linéaires et non linéaires. Dans l'approche SCF, la longueur de bloc optimale est déterminée rétrospectivement dans des simulations afin de minimiser l'erreur quadratique moyenne (MSE), représentant un scénario de « meilleur cas » pour la méthode traditionnelle.

Contributions clés

• Innovation algorithmique : Le document introduit un cadre d'EKS dans le domaine fréquentiel spécifiquement adapté au suivi de signaux harmoniques à fréquence variant lentement et à amplitude décroissante, en utilisant les coefficients de Fourier comme modèle de mesure.
• Adaptation automatique : La méthode élimine la nécessité de la sélection manuelle des longueurs de blocs ou des paramètres de bruit, qui sont des étapes de réglage critiques et souvent difficiles dans l'ajustement par moindres carrés. L'algorithme EM gère l'optimisation des covariances du bruit de processus et de mesure.
• Évaluation comparative complète : L'étude fournit une comparaison rigoureuse entre l'EKS et le SCF en utilisant à la fois des simulations étendues (variant le rapport signal sur bruit (SNR) et les constantes de diffusion de dérive de fréquence) et des données expérimentales réelles provenant d'un magnétomètre au $^3$He.

Résultats

• Études de simulation : À travers une large gamme de rapports signal sur bruit (SNR) et de taux de dérive de fréquence, l'EKS a systématiquement réduit les erreurs d'estimation par rapport au SCF. Dans les régimes avec un SNR modéré à élevé et des fréquences évolutives, l'EKS a amélioré les estimations de fréquence d'un facteur d'environ 2 (indiqué par $\rho_{RMSE,f} \approx -1$). Le SCF n'a surpassé l'EKS que dans les régimes de très faible SNR et de dérive de fréquence négligeable, où il se rapproche de la borne de Cramér-Rao.
• Estimation de l'amplitude : L'EKS a nettement surpassé le SCF dans l'estimation de l'amplitude du signal, car l'hypothèse du SCF d'une amplitude constante au sein de blocs fixes conduit à une dégradation lorsque le signal décroît exponentiellement.
• Validation expérimentale : Appliqué à des données expérimentales de mesure de précession de spin du $^3$He (durée ~4 heures), l'EKS a démontré une capacité supérieure à suivre les fluctuations de fréquence. Alors que les estimations du SCF avec de grandes longueurs de blocs ne parvenaient pas à résoudre les variations rapides de fréquence (par exemple, un mouvement brusque vers le haut à ~300s) et présentaient des intervalles d'incertitude peu fiables, l'EKS a maintenu un suivi cohérent. Notamment, l'EKS a obtenu des intervalles d'incertitude comparables à ceux du SCF utilisant des longueurs de blocs presque deux ordres de grandeur plus petites, démontrant une résolution temporelle plus élevée sans sacrifier la précision.

Signification
L'article affirme que l'analyse basée sur l'EKS améliore substantiellement la précision de l'estimation de la fréquence dans la magnétométrie basée sur la RMN, qui est l'étape fondamentale pour la détermination absolue du champ magnétique. En filtrant efficacement le bruit et en s'adaptant automatiquement à la décroissance du signal et aux dérives de fréquence, la méthode améliore la stabilité et la précision des mesures de haute précision. Les auteurs soulignent que cette approche polyvalente est particulièrement précieuse pour le suivi des fluctuations de champ magnétique au cours du temps, une exigence critique pour les applications modernes de magnétométrie. Ce travail fournit une implémentation robuste et facile d'utilisation qui ne dépend pas de paramètres propres au système, ce qui en fait un candidat prometteur pour remplacer les méthodes actuelles de pointe par moindres carrés dans les mesures de RMN d'ultra-haute précision.