Multi-frequency far-field data enrichment for electromagnetic source reconstruction

Sintesi Tecnica: Arricchimento di Dati in Campo Lontano Multi-frequenza per la Ricostruzione di Sorgenti Elettromagnetiche

Definizione del Problema
Il documento affronta il problema inverso della sorgente (ISP), ovvero la ricostruzione di distribuzioni di correnti elettromagnetiche ignote e a supporto compatto a partire da pattern di radiazione in campo lontano. Sebbene esistano framework teorici per dati densi campionati secondo il criterio di Nyquist, le applicazioni pratiche in ambito biomedico, nei test non distruttivi e nelle telecomunicazioni sono spesso ostacolate da vincoli fisici, costi dei sensori e aperture ristrette. Queste limitazioni determinano la presenza di misurazioni multi-frequenza sparse e sotto-campionate.

Quando i dati sono sotto-campionati, il problema inverso diventa severamente mal posto. Specifiche componenti di frequenza risultano mascherate, causando il fenomeno per cui parti della sorgente si comportano come "modi non radianti" che risiedono nello spazio nullo dell'operatore d'onda diretto. Le tecniche di inversione standard, inclusi i minimi quadrati, la regolarizzazione di Tikhonov, la Variazione Totale (TV) e il compressed sensing $\ell_1$, spesso falliscono nel risolvere questa non unicità, producendo gravi artefatti di ringing e speckle, in particolare quando la scala degli artefatti da sotto-campionamento coincide o supera le caratteristiche della sorgente.

Metodologia
Gli autori propongono una strategia di ricostruzione a due stadi progettata per arricchire i dati multi-frequenza sparsi prima di eseguire l'inversione finale. L'approccio sfrutta la proprietà della "Frequenza Finita di Innovazione" (FRI - Finite Rate of Innovations) intrinseca alle sorgenti geometricamente sparse e a supporto compatto.

1. Formulazione Matematica:

   • Il problema è modellato utilizzando le equazioni di Maxwell in regime armonico temporale in un dominio libero con condizioni di radiazione di Silver-Müller.
   • La densità di corrente della sorgente $F(x)$ viene decomposta tramite la decomposizione di Helmholtz-Hodge in componenti spettrali elettriche trasversali ($f$) e magnetiche trasversali ($g$).
   • Le misurazioni in campo lontano ($E_\infty, H_\infty$) sono direttamente proporzionali ai coefficienti di Fourier di queste componenti spettrali.

2. Arricchimento dei Dati (Stadio 1):

   • Invece di applicare la regolarizzazione direttamente all'operatore inverso mal condizionato, il metodo si concentra sul recupero dei coefficienti spettrali mancanti (arricchimento dei dati).
   • Gli autori mappano i coefficienti spettrali disponibili in una matrice di Hankel strutturata con proprietà di wrap-around e diagonale a blocchi.
   • In base alla proprietà FRI, questa matrice è intrinsecamente a basso rango (low-rank). L'esistenza di un filtro annichilatore nel dominio di Fourier garantisce che il rango della matrice di Hankel sia determinato dal numero di innovazioni della sorgente, non dalla dimensione della griglia di campionamento.
   • Il recupero dei dati mancanti è formulato come un problema di completamento di matrici vincolato: minimizzazione della norma nucleare (una rilassazione convessa della minimizzazione del rango) soggetta alla coerenza dei dati con le misurazioni sparse osservate.
   • Questa ottimizzazione viene risolta tramite l'approccio ALOHA (Annihilating Filter-based Low-rank Hankel Matrix Completion Approach) attraverso il metodo delle direzioni alternate del moltiplicatore (ADMM). Il metodo utilizza una rappresentazione 3D congiunta per sfruttare il supporto spaziale comune delle componenti di corrente vettoriale.

3. Ricostruzione della Sorgente (Stadio 2):

   • Una volta che i dati multi-frequenza in campo lontano sono stati arricchiti per approssimare una griglia campionata secondo Nyquist, viene applicato uno schema di inversione di Fourier standard per ricostruire la densità di corrente della sorgente $F(x)$.

Contributi Chiave e Risultati
Il documento presenta valutazioni numeriche estese confrontando il metodo proposto Joint 3D ALOHA con due baseline:

• Ricostruzione Zero-Filled Sub-Sampled: Inversione diretta con i coefficienti mancanti impostati a zero.
• Compressed Sensing $\ell_1$ Complesso Scalato-Normalizzato ($\ell_1$-CS): Un approccio standard di recupero sparso utilizzando un prior di Trasformata Discreta del Coseno (DCT) 3D.

Configurazione Sperimentale:

• Modelli: Due modelli di sorgente Maxwell 3D (una sorgente liscia di tipo curl $J_1$ e una sorgente mista $J_2$).
• Condizioni: Misurazioni al 30%, 40% e 50% del tasso di Nyquist, sia in condizioni prive di rumore che con rumore bianco gaussiano additivo (AWGN) a 10 dB.
• Metriche: Rapporto Segnale-Rumore di Picco (PSNR) e Indice di Similarità Strutturale (SSIM) su 30 prove Monte Carlo indipendenti.

Risultati delle Prestazioni:

• Accuratezza: Il metodo Joint 3D ALOHA supera significativamente entrambe le baseline. In condizioni prive di rumore, ha ottenuto guadagni di PSNR compresi tra 8,02 e 18,18 dB e guadagni di SSIM tra 0,1842 e 0,3451 rispetto a $\ell_1$-CS.
• Robustezza: Il metodo ha mantenuto un'alta fedeltà sotto AWGN a 10 dB, mentre $\ell_1$-CS e lo zero-filling hanno sofferto di gravi artefatti e una qualità di ricostruzione inferiore.
• Preservazione della Topologia: L'analisi qualitativa dei volumi 3D completi ha dimostrato che ALOHA è riuscito a preservare la topologia connessa e la distribuzione di intensità delle sorgenti, mentre lo zero-filling ha prodotto lobi disconnessi e $\ell_1$-CS ha introdotto gusci e frammenti spuri.
• Significatività Statistica: Test di Wilcoxon signed-rank accoppiati hanno confermato che i miglioramenti sono statisticamente significativi ($p_H = 2,24 \times 10^{-8}$) con un tasso di successo del 100% per ALOHA in tutti i trial.
• Efficienza: Nella specifica implementazione MATLAB testata, Joint 3D ALOHA è stato circa 1,74 - 2,51 volte più veloce della baseline $\ell_1$-CS (circa 0,67–0,72s rispetto a 1,24–1,74s per ricostruzione), pur essendo più lento dello zero-filling diretto.

Significato e Rivendicazioni
Il documento sostiene che la strategia di arricchimento dei dati proposta colma efficacemente il divario tra i modelli teorici di sorgente inversa e gli scenari pratici di misurazione sparsa. Riformulando il problema come un compito di completamento di matrici a basso rango basato sulla proprietà fisica FRI della sorgente, il metodo elimina gli artefatti da sotto-campionamento e risolve le sfide di non unicità che affliggono le tecniche di inversione standard.

Gli autori sottolineano che il metodo fornisce ricostruzioni accurate e stabili anche con elevati tassi di sub-campionamento (30%–50%) e rumore forte. Tuttavia, mantengono un ambito modesto per le loro rivendicazioni:

• La validazione è limitata a due famiglie di sorgenti simulate e a un modello diretto specifico.
• Lo studio sul rumore è limitato ad AWGN a un singolo livello di SNR, escludendo errori di calibrazione o mismatch di polarizzazione.
• Il parametro di rango in ALOHA è stato fissato in base al tipo di sorgente anziché essere selezionato automaticamente.
• Gli autori concludono che, sebbene i risultati supportino l'arricchimento dei dati tramite struttura di Hankel come approccio efficace, è necessaria un'ulteriore validazione su geometrie di sorgente più ampie, dati sperimentali e mismatch del modello diretto prima di un dispiegamento più ampio.