إن المراقبة المستمرة لنبض القلب المستندة إلى التصوير الضوئي (PPG) تُعد ضرورية في عدد من المجالات، مثل التطبيقات الصحية أو الرياضية. في الآونة الأخيرة، ظهرت أساليب تعتمد على الطيف الزمني-الترددية لمعالجة تحديات تقليل التشويش الناتج عن الحركة. ومع ذلك، فإن الطرق الحالية تعتمد على عدد كبير من المعاملات وتم تحسينها خصيصًا لسيناريوهات محددة تستخدم مجموعات بيانات عامة صغيرة. ونُعالج هذه التجزئة من خلال إسهامنا في دراسة قدرة التحمل والقدرة على التعميم للأساليب المستندة إلى PPG لتقدير نبض القلب. أولاً، نقدم مجموعة بيانات كبيرة جديدة (تُسمى PPG-DaLiA)، تتضمن طيفًا واسعًا من الأنشطة التي تُنفَّذ في ظروف قريبة من الواقع اليومي. ثانيًا، نُعدّل خوارزمية حديثة متقدمة، مما يؤدي إلى تحسين كبير في أدائها على عدة مجموعات بيانات. ثالثًا، نُدخل التعلم العميق إلى هذا المجال، ونستكشف مختلف هياكل الشبكات العصبية التلافيفية (CNN). يعتمد نهجنا المتكامل للتعلم على استخدام الطيف الزمني-الترددية للإشارات المُزامنة من جهاز PPG وجهاز المسرّع كمدخلات، ويُخرِج معدل ضربات القلب المُقدَّر كمخرج. وأخيرًا، نُقارن النموذج الجديد القائم على التعلم العميق بالأساليب الكلاسيكية، مع إجراء تقييم على أربع مجموعات بيانات عامة. ونُظهر أن النموذج القائم على التعلم العميق يتفوّق بشكل كبير على الطرق الأخرى عند استخدام مجموعات بيانات كبيرة: حيث تم تقليل الخطأ المطلق المتوسط بنسبة 31٪ على المجموعة الجديدة PPG-DaLiA، وبنسبة 21٪ على مجموعة WESAD.