Die genaue Extraktion der Herzfrequenz aus Photoplethysmographie (PPG)-Signalen bleibt aufgrund von Bewegungsartefakten und Signalverschlechterung herausfordernd. Obwohl tiefes Lernen, als datengesteuertes Inferenzproblem trainiert, vielversprechende Lösungen bietet, nutzen diese Methoden oft das vorhandene Wissen aus der medizinischen und Signalverarbeitungsgemeinschaft unteroptimal aus. In dieser Arbeit adressieren wir drei Schwächen von Modellen des tiefen Lernens: die Entfernung von Bewegungsartefakten, die Bewertung der Signalverschlechterung und die physiologisch plausiblen Analyse von PPG-Signalen. Wir schlagen KID-PPG vor, ein wissensinformiertes Modell des tiefen Lernens, das Expertenwissen durch adaptive lineare Filterung, tiefe probabilistische Inferenz und Datenverstärkung integriert. Wir evaluieren KID-PPG auf dem PPGDalia-Datensatz und erreichen einen durchschnittlichen absoluten Fehler von 2,85 Schlägen pro Minute, was bestehende reproduzierbare Methoden übertrifft. Unsere Ergebnisse zeigen eine erhebliche Leistungsverbesserung bei der Herzfrequenzverfolgung durch die Einbeziehung von Vorwissen in Modelle des tiefen Lernens. Dieser Ansatz bietet Potenzial zur Verbesserung verschiedener biomedizinischer Anwendungen durch die Integration vorhandenen Expertenwissens in Modelle des tiefen Lernens.