Неожиданные результаты БПФ с Python

Я анализирую то, что по сути является формой волны дыхания, построенной в 3 различных формах (данные получены из МРТ, поэтому использовалось несколько периодов эхо-сигнала; см. здесь, если вам нужна краткая информация). Вот пара сегментов двух построенных сигналов для некоторого контекста:

Для каждой формы волны я пытаюсь выполнить ДПФ, чтобы обнаружить доминирующую частоту или частоты дыхания.

Моя проблема в том, что когда я рисую ДПФ, которые я выполняю, я получаю одну из двух вещей, в зависимости от библиотеки БПФ, которую я использую. Кроме того, ни один из них не является репрезентативным для того, что я ожидаю. Я понимаю, что данные не всегда выглядят так, как мы хотим, но в моих данных явно присутствуют сигналы, поэтому я ожидаю дискретного Преобразование Фурье для получения частотного пика где-то в разумных пределах. Для справки здесь, я бы ожидал от 80 до 130 Гц.

Мои данные хранятся в фрейме данных pandas, причем данные каждого времени эха находятся в отдельной серии. Я применяю выбранную функцию БПФ (см. код ниже) и получаю разные результаты для каждого из них.

Наука (fftpack)

import pandas as pd
import scipy.fftpack

# temporary copy to maintain data structure
lead_pts_fft_df = lead_pts_df.copy()

# apply a discrete fast Fourier transform to each data series in the data frame
lead_pts_fft_df.magnitude = lead_pts_df.magnitude.apply(scipy.fftpack.fft)
lead_pts_fft_df

Числовой:

import pandas as pd
import numpy as np 

# temporary copy to maintain data structure
lead_pts_fft_df = lead_pts_df.copy()

# apply a discrete fast Fourier transform to each data series in the data frame
lead_pts_fft_df.magnitude = lead_pts_df.magnitude.apply(np.fft.fft)
lead_pts_fft_df

Остальная часть соответствующего кода:

ECHO_TIMES = [0.080, 0.200, 0.400] # milliseconds

f_s = 1 / (0.006) # 0.006 = time between samples
freq = np.linspace(0, 29556, 29556) * (f_s / 29556) # (29556 = length of data)

# generate subplots
fig, axes = plt.subplots(3, 1, figsize=(18, 16))

for idx in range(len(ECHO_TIMES)):
    axes[idx].plot(freq, lead_pts_fft_df.magnitude[idx].real, # real part
                   freq, lead_pts_fft_df.magnitude[idx].imag, # imaginary part

    axes[idx].legend() # apply legend to each set of axes

# show the plot
plt.show()

Пост-ТПФ (SciPy fftpack):

Пост-ДПФ (NumPy)

Вот ссылка на набор данных (в Dropbox), который использовался для создания эти графики, и здесь есть ссылка на Блокнот Юпитер.

РЕДАКТИРОВАТЬ:

Я воспользовался опубликованным советом и взял величину (абсолютное значение) данных, а также построил график с логарифмической осью Y. Новые результаты опубликованы ниже. Похоже, у меня есть некоторый заворот в моем сигнале. Я использую неправильную шкалу частот? Обновленный код и графики приведены ниже.

# generate subplots
fig, axes = plt.subplots(3, 1, figsize=(18, 16))

for idx in range(len(ECHO_TIMES)):
    axes[idx].plot(freq[1::], np.log(np.abs(lead_pts_fft_df.magnitude[idx][1::])),
                   label=lead_pts_df.index[idx], # apply labels
                   color=plot_colors[idx]) # colors
    axes[idx].legend() # apply legend to each set of axes

# show the plot
plt.show()