La surveillance continue du rythme cardiaque basée sur la photopletysmographie (PPG) est essentielle dans de nombreux domaines, notamment pour les applications de santé ou de condition physique. Récemment, des méthodes fondées sur les spectres temps-fréquence ont émergé afin de relever les défis liés à la compensation des artefacts de mouvement. Toutefois, les approches existantes sont fortement paramétrées et optimisées pour des scénarios spécifiques sur des jeux de données publics de petite taille. Pour remédier à cette fragmentation, nous contribuons à la recherche sur la robustesse et la capacité de généralisation des méthodes d’estimation du rythme cardiaque basées sur la PPG. Premièrement, nous introduisons un nouveau jeu de données à grande échelle (appelé PPG-DaLiA), comprenant une large variété d’activités réalisées dans des conditions proches de la vie réelle. Deuxièmement, nous améliorons significativement les performances d’un algorithme de pointe en l’étendant. Troisièmement, nous introduisons l’apprentissage profond dans ce domaine et étudions diverses architectures de réseaux de neurones convolutifs. Notre approche d’apprentissage end-to-end prend en entrée les spectres temps-fréquence des signaux PPG et d’accéléromètre synchronisés, et fournit en sortie l’estimation du rythme cardiaque. Enfin, nous comparons cette nouvelle approche basée sur l’apprentissage profond aux méthodes classiques, en effectuant une évaluation sur quatre jeux de données publics. Nous démontrons que, sur des jeux de données de grande taille, le modèle d’apprentissage profond surpasse significativement les autres méthodes : l’erreur absolue moyenne est réduite de 31 % sur le nouveau jeu de données PPG-DaLiA, et de 21 % sur le jeu de données WESAD.