L'extraction précise de la fréquence cardiaque à partir des signaux de pléthysmographie par lumière (PPG) reste un défi en raison des artefacts de mouvement et de la dégradation du signal. Bien que les méthodes d'apprentissage profond formées comme un problème d'inférence guidée par les données offrent des solutions prometteuses, elles sous-utilisent souvent les connaissances existantes issues de la communauté médicale et de traitement du signal. Dans cet article, nous abordons trois lacunes des modèles d'apprentissage profond : l'élimination des artefacts de mouvement, l'évaluation de la dégradation et l'analyse physiologiquement plausible du signal PPG. Nous proposons KID-PPG, un modèle d'apprentissage profond informé par les connaissances qui intègre l'expertise grâce au filtrage linéaire adaptatif, à l'inférence probabiliste profonde et à l'augmentation des données. Nous évaluons KID-PPG sur le jeu de données PPGDalia, atteignant une erreur absolue moyenne moyenne de 2,85 battements par minute, surpassant ainsi les méthodes reproductibles existantes. Nos résultats montrent une amélioration significative des performances dans le suivi de la fréquence cardiaque grâce à l'intégration des connaissances a priori dans les modèles d'apprentissage profond. Cette approche offre un potentiel prometteur pour améliorer diverses applications biomédicales en incorporant les connaissances existantes des experts dans les modèles d'apprentissage profond.