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

Sintesi Tecnica: Smoothing tramite Filtro di Kalman Esteso dei Segnali di Precessione del Free Spin per la Determinazione Accurata del Campo Magnetico

Problema
La determinazione accurata della densità di flusso magnetico statica si basa sulla misurazione della frequenza di precessione del free spin ($f_L$) di nuclei polarizzati, come l' $^3$He, attraverso la relazione $f_L = \frac{\gamma}{2\pi}B_0$. Sebbene il rapporto giromagnetico $\gamma$ per l' $^3$He sia noto con estrema precisione (incertezza relativa $<10^{-9}$), l'accuratezza complessiva delle misurazioni del campo magnetico è attualmente limitata dalla precisione della stima della frequenza dai segnali di Risonanza Magnetica Nucleare (NMR). I metodi tradizionali, principalmente la stima dei minimi quadrati non lineari (specificamente il sine-cos-fit o SCF), affrontano sfide significative quando applicati ai segnali di decadimento della precessione libera (FPD). Questi segnali presentano un decadimento esponenziale dell'ampiezza e variazioni della frequenza dipendenti dal tempo dovute a derive del campo magnetico. Gli approcci convenzionali richiedono spesso la divisione dei dati in blocchi di lunghezza fissa per assumere un'ampiezza e una frequenza costanti, creando un compromesso: i blocchi brevi si adattano alle derive ma soffrono di un'elevata varianza dovuta al rumore, mentre i blocchi lunghi riducono il rumore ma non riescono a seguire i rapidi cambiamenti di frequenza o il decadimento dell'ampiezza, portando a un disallineamento del modello (model mismatch) e a bias.

Metodologia
Gli autori propongono una nuova applicazione dello Smoothing tramite Filtro di Kalman Esteso (EKS) per stimare la frequenza e l'ampiezza variabili nel tempo dai segnali FPD. A differenza del normale Filtro di Kalman che opera in tempo reale, l'EKS utilizza tutte le misurazioni disponibili (passate e future) per raffinare le stime dello stato, rendendolo ideale per il post-processing dei dati dei sensori.

La metodologia prevede i seguenti componenti chiave:

1. Modellazione dello Spazio degli Stati: Il sistema è modellato nel dominio della frequenza piuttosto che nel dominio del tempo. Il segnale viene segmentato in blocchi non sovrapposti. Per ogni blocco, il vettore di stato $x_k$ include l'ampiezza $A_k$, l'offset di frequenza $\delta f_k$ e la fase $\phi_k$. L'evoluzione di questi stati è modellata come cammini casuali integrati (per l'ampiezza e la frequenza) e integrazione numerica (per la fase).
2. Equazione di Misura: Invece di adattare direttamente il segnale nel dominio del tempo, l'EKS confronta la previsione del modello con i coefficienti della Trasformata di Fourier Discreta (DFT) dei blocchi di segnale. Questo trasforma il rumore gaussiano additivo del segnale nel dominio del tempo in componenti di rumore gaussiano indipendenti nel dominio della frequenza, riducendo significativamente la varianza del rumore.
3. Ottimizzazione dei Parametri: I parametri statici del modello (covarianza del rumore di processo $Q$, covarianza del rumore di misura $R$ e valori iniziali) sono ottimizzati automaticamente utilizzando un algoritmo di Expectation-Maximization (EM). Ciò consente al metodo di adattarsi alle caratteristiche del segnale senza la necessità di una sintonizzazione manuale della lunghezza dei blocchi o dei parametri di rumore.
4. Metodo di Riferimento: L'EKS è confrontato con il metodo standard Sine-Cos-Fit (SCF), che utilizza la proiezione variabile per separare i parametri lineari e non lineari. Nell'approccio SCF, la lunghezza ottimale del blocco è determinata retrospettivamente nelle simulazioni per minimizzare l'Errore Quadratico Medio (MSE), rappresentando uno scenario "best-case" per il metodo tradizionale.

Contributi Chiave

• Innovazione Algoritmica: Il documento introduce un framework EKS nel dominio della frequenza specificamente adattato per il tracciamento di segnali armonici con frequenza lentamente variabile e ampiezza in decadimento, utilizzando i coefficienti di Fourier come modello di misura.
• Adattamento Automatico: Il metodo elimina la necessità di una selezione manuale della lunghezza dei blocchi o dei parametri di rumore, che sono passaggi di sintonizzazione critici e spesso difficili nel fitting dei minimi quadrati. L'algoritmo EM gestisce l'ottimizzazione delle covarianze del rumore di processo e di misura.
• Benchmarking Completo: Lo studio fornisce un confronto rigoroso tra EKS e SCF utilizzando sia estese simulazioni (variando il rapporto segnale-rumore e le costanti di diffusione della deriva di frequenza) sia dati sperimentali reali da un magnetometro a $^3$He.

Risultati

• Studi di Simulazione: In un ampio intervallo di rapporti segnale-rumore (SNR) e tassi di deriva della frequenza, l'EKS ha ridotto sistematicamente gli errori di stima rispetto all'SCF. Nei regimi con SNR da moderato ad alto e frequenze in evoluzione, l'EKS ha migliorato le stime di frequenza di un fattore di circa 2 (indicato da $\rho_{RMSE,f} \approx -1$). L'SCF ha superato l'EKS solo nei regimi di SNR molto basso e deriva di frequenza trascurabile, dove si avvicina al limite di Cramér–Rao.
• Stima dell'Ampiezza: L'EKS ha superato significativamente l'SCF nella stima dell'ampiezza del segnale, poiché l'assunzione dell'SCF di un'ampiezza costante all'interno di blocchi fissi porta a un degrado quando il segnale decade esponenzialmente.
• Validazione Sperimentale: Applicato ai dati sperimentali di una misurazione della precessione dello spin di $^3$He (durata ~4 ore), l'EKS ha dimostrato una capacità superiore di tracciare le fluttuazioni di frequenza. Mentre le stime SCF con lunghezze di blocco elevate non riuscivano a risolvere le rapide variazioni di frequenza (ad esempio, una brusca risalita a ~300s) ed esibivano intervalli di incertezza inaffidabili, l'EKS ha mantenuto un tracciamento coerente. Notevolmente, l'EKS ha ottenuto intervalli di incertezza comparabili a quelli dell'SCF utilizzando lunghezze di blocco quasi due ordini di grandezza più piccole, dimostrando una maggiore risoluzione temporale senza sacrificare la precisione.

Significatività
Il documento afferma che l'analisi basata su EKS migliora sostanzialmente l'accuratezza della stima della frequenza nell'NMR-magnetometria, che è il passo fondamentale per la determinazione assoluta del campo magnetico. Filtrando efficacementamente il rumore e adattandosi automaticamente al decadimento del segnale e alle derive di frequenza, il metodo potenzia la stabilità e l'accuratezza delle misurazioni ad alta precisione. Gli autori sottolineano che questo approccio versatile è particolarmente prezioso per il tracciamento delle fluttuazioni del campo magnetico nel tempo, un requisito critico per le moderne applicazioni di magnetometria. Il lavoro fornisce un'implementazione robusta e facile da usare che non dipende dai parametri del sistema, rendendolo un candidato promettente per sostituire gli attuali metodi allo stato dell'arte dei minimi quadrati nelle misurazioni NMR ad altissima precisione.