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

Technische Samenvatting: Extended Kalman Smoothing van Free Spin Precessie Signalen voor Nauwkeurige Bepaling van Magnetische Velden

Probleemstelling
Nauwkeurige bepaling van de statische magnetische fluxdichtheid berust op het meten van de vrije spin-precessiefrequentie ($f_L$) van gepolariseerde kernen, zoals $^3$He, via de relatie $f_L = \frac{\gamma}{2\pi}B_0$. Hoewel de gyromagnetische verhouding $\gamma$ voor $^3$He met extreme precisie bekend is (relatieve onzekerheid $<10^{-9}$), wordt de algehele nauwkeurigheid van magnetische veldmetingen momenteel beperkt door de precisie van de frequentieschatting van Nucleaire Magnetische Resonantie (NMR) signalen. Traditionele methoden, voornamelijk niet-lineaire kleinste-kwadraten-fitting (specifiek de sine-cos-fit of SCF), kampen met aanzienlijke uitdagingen bij toepassing op Free Precession Decay (FPD) signalen. Deze signalen vertonen een exponentieel amplitude-verval en tijd-afhankelijke frequentieverschuivingen door fluctuaties in het magnetische veld. Conventionele benaderingen vereisen vaak het verdelen van gegevens in blokken van vaste lengte om een constante amplitude en frequentie te veronderstellen, wat een afruil creëert: korte blokken passen zich aan bij drifts maar lijden onder hoge variantie door ruis, terwijl lange blokken ruis verminderen maar falen in het volgen van snelle frequentieveranderingen of amplitude-verval, wat leidt tot modelmismatch en bias.

Methodologie
De auteurs stellen een innovatieve toepassing van de Extended Kalman Smoother (EKS) voor om tijd-variërende frequentie en amplitude van FPD-signalen te schatten. In tegenstelling tot de standaard Kalman Filter die in real-time werkt, maakt de EKS gebruik van alle beschikbare metingen (verleden en toekomst) om de staatsschattingen te verfijnen, wat het ideaal maakt voor de post-processing van sensordata.

De methodologie omvat de volgende kerncomponenten:

1. State-Space Modellering: Het systeem wordt gemodelleerd in het frequentiedomein in plaats van het tijddomein. Het signaal wordt gesegmenteerd in niet-overlappende blokken. Voor elk blok bevat de staatvector $x_k$ de amplitude $A_k$, de frequentie-offset $\delta f_k$ en de fase $\phi_k$. De evolutie van deze staten wordt gemodelleerd als geïntegreerde random walks (voor amplitude en frequentie) en numerieke integratie (voor fase).
2. Meetvergelijking: In plaats van het tijdsdomein-signaal direct te fitten, vergelijkt de EKS de modelvoorspelling met de Discrete Fourier Transform (DFT) coëfficiënten van de signaalblokken. Dit transformeert de additieve Gaussische ruis van het tijdsdomein-signaal naar onafhankelijke Gaussische ruiscomponenten in het frequentiedomein, wat de ruisvariantie aanzienlijk vermindert.
3. Parameteroptimalisatie: De statische parameters van het model (procesruis covariantie $Q$, meetruis covariantie $R$, en initiële waarden) worden automatisch geoptimaliseerd met behulp van een Expectation-Maximization (EM) algoritme. Dit stelt de methode in staat om zich aan te passen aan signaalkarakteristieken zonder handmatige afstemming van bloklengtes of ruisparameters.
4. Referentiemethode: De EKS wordt afgezet tegen de standaard Sine-Cos-Fit (SCF) methode, die variabele projectie gebruikt om lineaire en niet-lineaire parameters te scheiden. In de SCF-benadering wordt de optimale bloklengte retrospectief bepaald in simulaties om de Mean Squared Error (MSE) te minimaleniseren, wat een "best-case" scenario voor de traditionele methode vertegenwoordigt.

Belangrijkste Bijdragen

• Algoritmische Innovatie: Het artikel introduceert een frequency-domain EKS-framework dat specifiek is aangepast voor het volgen van harmonische signalen met langzaam variërende frequentie en afnemende amplitude, waarbij Fourier-coëfficiënten als meetmodel worden gebruikt.
• Automatische Adaptatie: De methode elimineert de noodzaak voor handmatige selectie van bloklengtes of ruisparameters, wat kritische en vaak moeilijk af te stemmen stappen zijn bij least-squares fitting. Het EM-algoritme handelt de optimalisatie van proces- en meetruis covarianties af.
• Uitgebreide Benchmarking: De studie biedt een rigoureuze vergelijking tussen EKS en SCF met behulp van zowel uitgebreide simulaties (variërend in Signal-to-Noise Ratio en frequentie-drift diffusieconstanten) als echte experimentele data van een $^3$He magnetometer.

Resultaten

• Simulatiestudies: Over een breed bereik van Signal-to-Noise Ratios (SNR) en frequentie-drift rates, verminderde de EKS de schattingsfouten systematisch ten opzichte van de SCF. In regimes met een gemiddelde tot hoge SNR en evoluerende frequenties verbeterde de EKS de frequentieschattingen met een factor van ongeveer 2 (geïndiceerd door een $\rho_{RMSE,f} \approx -1$). De SCF presteerde alleen beter dan de EKS in regimes met een zeer lage SNR en verwaarloosbare frequentie-drift, waar zij de Cramér–Rao lower bound benadert.
• Amplitude Schatting: De EKS presteerde aanzienlijk beter dan de SCF bij het schatten van de signaalamplitude, aangezien de aanname van de SCF van een constante amplitude binnen vaste blokken leidt tot degradatie wanneer het signaal exponentieel vervalt.
• Experimentele Validatie: Toegepast op experimentele data van een $^3$He spin-precessiemeting (duur ~4 uur), demonstreerde de EKS een superieure tracking van frequentiefluctuaties. Terwijl SCF-schattingen met grote bloklengtes faalden in het oplossen van snelle frequentieveranderingen (bijv. een opwaartse uitschieter rond ~300s) en onbetrouwbare onzekerheidsintervallen vertoonden, behield de EKS een consistente tracking. Opvallend genoeg bereikte de EKS onzekerheidsintervallen die vergelijkbaar zijn met de SCF met bloklengtes die bijna twee ordes van grootte kleiner zijn, wat een hogere temporele resolutie aantoont zonder verlies van precisie.

Betekenis
Het artikel beweert dat de EKS-gebaseerde analyse de nauwkeurigheid van frequentieschatting in NMR-gebaseerde magnetometrie substantieel verbetert, wat de fundamentele stap is voor absolute magnetische veldbepaling. Door effectief ruis te filteren en zich automatisch aan te passen aan signaalverval en frequentie-drifts, verbetert de methode de stabiliteit en nauwkeurigheid van hoogprecisie-metingen. De auteurs benadrukken dat deze veelzijdige aanpak bijzonder waardevol is voor het volgen van magnetische veldfluctuaties over tijd, een cruciale vereiste voor moderne magnetometrie-toepassingen. Het werk biedt een robuuste, gemakkelijk te gebruiken implementatie die niet afhankelijk is van systeem-specifieke parameters, wat het een veelbelovende kandidaat maakt om de huidige state-of-the-art least-squares methoden in ultra-hoge-precisie NMR-metingen te vervangen.