Die auf Remote-Photoplethysmographie (rPPG) basierende physiologische Messung hat große Anwendungswerte im affektiven Computing, bei kontaktlosen Gesundheitsüberwachungen und Telehealth-Monitoring, was insbesondere während der COVID-19-Pandemie zunehmend an Bedeutung gewonnen hat. Die bestehenden Methoden lassen sich im Allgemeinen in zwei Gruppen einteilen. Die erste Gruppe konzentriert sich auf das Auswerten der feinen Blutvolumenpuls-Signale (BVP) aus Gesichtsvideos, modelliert jedoch selten explizit die Störungen, die den Inhalt von Gesichtsvideos dominieren. Sie sind anfällig für Störungen und können in unbekannten Szenarien eine geringe Generalisierungsfähigkeit aufweisen. Die zweite Gruppe fokussiert sich direkt auf das Modellieren störender Daten, was zu suboptimaler Leistung führt, da diese starken zufälligen Störungen keine Regularität aufweisen. In dieser Arbeit schlagen wir ein Zerlegungs- und Rekonstruktionsnetzwerk (DRNet) vor, das sich auf das Modellieren physiologischer Merkmale statt störender Daten konzentriert. Es wird ein neuer Zyklusverlust vorgeschlagen, um die Periodizität der physiologischen Informationen zu beschränken. Darüber hinaus wird ein einsetzbare Raumliche Aufmerksamkeitsblock (SAB) vorgestellt, um Merkmale durch die Integration räumlicher Lokationsinformationen zu verbessern. Des Weiteren wird eine effiziente Patch-Cropping-Augmentationsstrategie (PC) vorgeschlagen, um erweiterte Stichproben mit verschiedenen Störungen und Merkmalen zu synthetisieren. Umfangreiche Experimente mit verschiedenen öffentlichen Datensätzen sowie Cross-Datenbank-Tests zeigen die Effektivität unseres Ansatzes.