La mesure physiologique basée sur la photopléthysmographie à distance (rPPG) présente une grande valeur d'application dans le calcul affectif, la surveillance de santé sans contact et la télésurveillance, notamment pendant la pandémie de COVID-19. Les méthodes existantes peuvent généralement être divisées en deux groupes. Le premier groupe se concentre sur l'extraction des signaux subtils du pouls volumétrique sanguin (BVP) à partir de vidéos faciales, mais ne modélise rarement explicitement les bruits qui dominent le contenu de ces vidéos. Ces méthodes sont sensibles aux bruits et peuvent souffrir d'une mauvaise capacité de généralisation dans des scénarios inédits. Le deuxième groupe se concentre sur la modélisation directe des données bruitées, ce qui entraîne des performances sous-optimales en raison du manque de régularité de ces bruits aléatoires sévères.Dans cet article, nous proposons un réseau de décomposition et de reconstruction (DRNet) axé sur la modélisation des caractéristiques physiologiques plutôt que sur les données bruitées. Nous introduisons une nouvelle perte cyclique pour contraindre la périodicité des informations physiologiques. De plus, nous proposons un bloc d'attention spatiale (SAB) innovant pour améliorer les caractéristiques en intégrant les informations d'emplacement spatial. En outre, une stratégie d'augmentation efficace par découpage de patchs (PC) est proposée pour synthétiser des échantillons augmentés avec différents types de bruits et caractéristiques.Des expériences approfondies menées sur différentes bases de données publiques ainsi que des tests inter-bases démontrent l'efficacité de notre approche.