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

Resumo Técnico: Suavização por Filtro de Kalman Estendido de Sinais de Precessão de Spin Livre para Determinação Precisa de Campo Magnético

Definição do Problema
A determinação precisa da densidade de fluxo magnético estático depende da medição da frequência de precessão de spin livre ($f_L$) de núcleos polarizados, como o $^3$He, através da relação $f_L = \frac{\gamma}{2\pi}B_0$. Embora a razão giromagnética $\gamma$ para o $^3$He seja conhecida com extrema precisão (incerteza relativa $<10^{-9}$), a precisão geral das medições de campo magnético é atualmente limitada pela precisão da estimativa de frequência de sinais de Ressonância Magnética Nuclear (RMN). Os métodos tradicionais, principalmente o ajuste de mínimos quadrados não lineares (especificamente o ajuste seno-cosseno ou SCF), enfrentam desafios significativos quando aplicados a sinais de Decaimento de Precessão Livre (FPD). Esses sinais exibem decaimento de amplitude exponencial e desvios de frequência dependentes do tempo devido a deriva de campo magnético. As abordagens convencionais frequentemente exigem a divisão dos dados em blocos de comprimento fixo para assumir amplitude e frequência constantes, criando um compromisso: blocos curtos se adaptam às derivações, mas sofrem de alta variância devido ao ruído, enquanto blocos longos reduzem o ruído, mas falham em rastrear mudanças rápidas de frequência ou o decaimento da amplitude, levando a desajustes de modelo e viés.

Metodologia
Os autores propõem uma aplicação inovadora do Suavizador de Kalman Estendido (EKS) para estimar a frequência e a amplitude variáveis no tempo a partir de sinais FPD. Ao contrário do Filtro de Kalman padrão, que opera em tempo real, o EKS utiliza todas as medições disponíveis (passadas e futuras) para refinar as estimativas de estado, tornando-o ideal para o pós-processamento de dados de sensores.

A metodologia envolve os seguintes componentes principais:

1. Modelagem Espaço-Estado: O sistema é modelado no domínio da frequência, em vez do domínio do tempo. O sinal é segmentado em blocos não sobrepostos. Para cada bloco, o vetor de estado $x_k$ inclui a amplitude $A_k$, o deslocamento de frequência $\delta f_k$ e a fase $\phi_k$. A evolução desses estados é modelada como caminhadas aleatórias integradas (para amplitude e frequência) e integração numérica (para fase).
2. Equação de Medição: Em vez de ajustar o sinal diretamente no domínio do tempo, o EKS compara a previsão do modelo com os coeficientes da Transformada de Fourier Discreta (DFT) dos blocos de sinal. Isso transforma o ruído gaussiano aditivo do sinal no domínio do tempo em componentes de ruído gaussiano independentes no domínio da frequência, reduzindo significamente a variância do ruído.
3. Otimização de Parâmetros: Os parâmetros estáticos do modelo (covariância do ruído de processo $Q$, covariância do ruído de medição $R$ e valores iniciais) são otimizados automaticamente usando um algoritmo de Expectation-Maximization (EM). Isso permite que o método se adapte às características do sinal sem a necessidade de ajuste manual de comprimentos de bloco ou parâmetros de ruído.
4. Método de Referência: O EKS é comparado com o método padrão Sine-Cos-Fit (SCF), que utiliza projeção variável para separar parâmetros lineares e não lineares. Na abordagem SCF, o comprimento de bloco ideal é determinado retrospectivamente em simulações para minimizar o Erro Quadrático Médio (MSE), representando um cenário de "melhor caso" para o método tradicional.

Principais Contribuições

• Inovação Algorítmica: O artigo introduz um framework de EKS no domínio da frequência especificamente adaptado para rastrear sinais harmônicos com frequência de variação lenta e amplitude decrescente, utilizando coeficientes de Fourier como modelo de medição.
• Adaptação Automática: O método elimina a necessidade de seleção manual de comprimentos de bloco ou parâmetros de ruído, que são etapas de ajuste críticas e muitas vezes difíceis no ajuste de mínimos quadrados. O algoritmo EM lida com a otimização das covariâncias de ruído de processo e de medição.
• Benchmarking Abrangente: O estudo fornece uma comparação rigorosa entre o EKS e o SCF utilizando tanto simulações extensas (variando a Relação Sinal-Ruído e constantes de difusão de deriva de frequência) quanto dados experimentais reais de um magnetômetro de $^3$He.

Resultos

• Estudos de Simulação: Em uma ampla gama de Relações Sinal-Ruído (SNR) e taxas de deriva de frequência, o EKS reduziu sistematicamente os erros de estimativa em comparação com o SCF. Em regimes com SNR moderada a alta e frequências evolutivas, o EKS melhorou as estimativas de frequência por um fator de aproximadamente 2 (indicado por $\rho_{RMSE,f} \approx -1$). O SCF apenas superou o EKS em regimes de SNR muito baixa e deriva de frequência negligenciável, onde ele se aproxima do limite de Cramér–Rao.
• Estimativa de Amplitude: O EKS superou significativamente o SCF na estimativa da amplitude do sinal, uma vez que a suposição do SCF de amplitude constante dentro de blocos fixos leva à degradação quando o sinal decai exponencialmente.
• Validação Experimental: Aplicado a dados experimentais de uma medição de precessão de spin de $^3$He (duração de ~4 horas), o EKS demonstrou rastreamento superior de flutuações de frequência. Enquanto as estimativas do SCF com grandes comprimentos de bloco falharam em resolver variações rápidas de frequência (por exemplo, uma curva ascendente em ~300s) e exibiram intervalos de incerteza não confiáveis, o EKS manteve um rastreamento consistente. Notavelmente, o EKS alcançou intervalos de incerteza comparáveis aos do SCF utilizando comprimentos de bloco quase duas ordens de magnitude menores, demonstrando maior resolução temporal sem sacrificar a precisão.

Significância
O artigo afirma que a análise baseada em EKS melhora substancialmente a precisão da estimativa de frequência em magnetometria baseada em RMN, que é o passo fundamental para a determinação absoluta de campo magnético. Ao filtrar efetivamente o ruído e se adaptar automaticamente ao decaimento do sinal e às derivações de frequência, o método aumenta a estabilidade e a precisão das medições de alta precisão. Os autores enfatizam que esta abordagem versátil é particularmente valiosa para rastrear flutuações de campo magnético ao longo do tempo, um requisito crítico para aplicações modernas de magnetometria. O trabalho fornece uma implementação robusta e de fácil uso que não depende de parâmetros dependentes do sistema, tornando-se um candidato promissor para substituir os atuais métodos de estado da arte de mínimos quadrados em medições de RMN de ultra-alta precisão.