استخراج معدل ضربات القلب بدقة من إشارات الفوتوپليثيزموغرافيا (PPG) لا يزال تحديًا بسبب تشوهات الحركة وتدهور الإشارة. رغم أن طرق التعلم العميق التي تم تدريبها كمشكلة استدلال موجه بالبيانات تقدم حلولًا واعدة، إلا أنها غالبًا ما تستغل بشكل غير كافٍ المعرفة المتاحة في مجتمع الطب ومعالجة الإشارات. في هذا البحث، نعالج ثلاثة عيوب في نماذج التعلم العميق: إزالة تشوهات الحركة، تقييم التدهور، وتحليل إشارة PPG بطريقة فسيولوجية معقولة. نقترح KID-PPG، وهو نموذج تعلم عميق مستند إلى المعرفة يدمج الخبرة من خلال التصفية الخطية التكيفية، والاستدلال الاحتمالي العميق، وزاد البيانات. قمنا بتقييم KID-PPG على مجموعة بيانات PPGDalia، حيث حققنا متوسط خطأ مطلق متوسط قدره 2.85 ضربة في الدقيقة، مما يفوق الأساليب القابلة للتكرار الموجودة حاليًا. تظهر نتائجنا تحسينًا كبيرًا في تتبع معدل ضربات القلب من خلال دمج المعرفة السابقة في نماذج التعلم العميق. يُظهر هذا النهج الوعد بتعزيز العديد من التطبيقات البيوطبية من خلال دمج المعرفة الخبيرة الموجودة حاليًا في نماذج التعلم العميق.