چکیده: پارامترهای فیزیولوژیکی نظیر ضربان قلب از مهم‌ترین شاخص‌های سلامت فرد به شمار می‌روند و معمولاً با استفاده از روش‌های مبتنی بر تماس مانند الکتروکاردیوگرافی و فتوپلتیسموگرافی تماسی سنجیده می‌شوند. این روش‌ها با چالش‌هایی از جمله نیاز به تماس مستقیم با پوست و حساسیت به حرکت مواجه هستند که ممکن است در شرایطی خاص، مانند نظارت بر نوزادان در بخش مراقبت‌های ویژه، مشکلاتی ایجاد کند. در این پژوهش، ما یک روش ترکیبی مبتنی بر رویکردهای سنتی و یادگیری عمیق برای استخراج سیگنال rPPG از ویدئوهای چهره ارائه داده‌ایم که دو نوع از مصنوعات رایج شامل تغییرات روشنایی و کیفیت ویدیو ضبط شده، که بر دقت این سیگنال‌ها تأثیر منفی می‌گذارند، مدنظر قرار می‌دهد. روش پیشنهادی شامل استفاده از دو رویکرد متفاوت برای تشخیص چهره، یعنی تشخیص‌گر چهره مبتنی بر شبکه عصبی S3FD و روش نشانه‌گذاری چهره است. برای شناسایی پوست صورت نیز از ترکیب مدل‌های رنگ RGB، HSV و YCbCr استفاده شده است. پس از شناسایی چهره و پوست صورت، سیگنال‌های RGB استخراج و نرمال‌سازی شده و با استفاده از فیلتر ساویتزکی گولای، سیگنال‌ها فیلتر می‌شوند. سپس با استفاده از روش‌های CHROM و POS، این سیگنال‌ها به سیگنال PPG تبدیل و چگالی طیفی توان آن‌ها با استفاده از روش ولش تخمین زده می‌شود. نهایتاً، یک شبکه عصبی کانولوشنی یک بعدی برای آموزش و ارزیابی کارایی روش پیشنهادی مورد استفاده قرار می‌گیرد. نتایج این پژوهش نشان می‌دهد که روش پیشنهادی قادر است با کاهش تأثیرات منفی حرکت و تغییرات نوری به ترتیب با استفاده از تشخیص چهره با روش نشانه گذاری و افزایش کیفیت ویدیو به وسیله ی بزرگ نمایی اویلری سیگنال‌های rPPG را با دقت بیشتری در شرایط واقعی استخراج کند. به‌عنوان نمونه، در پایگاه داده UBFC-rPPG، روش پیشنهادی با دستیابی به AAE برابر با 40/1±67/0 و ARE برابر 35/1±71/0، عملکرد بهتری نسبت به روش‌های دیگر از جمله ICA، POS، CHROM و RSVR نشان داده است. همچنین در پایگاه داده COHFACE، روش پیشنهادی با مقادیر AAE برابر با 32/2 و RMSE برابر 12/7، برتری خود را نسبت به روش‌هایی چون DeppPhys ، HR-CNN و PhysNet به اثبات رسانده است. این دستاوردها می‌توانند کاربردهای گسترده‌ای در حوزه‌های مختلف از جمله پزشکی و فناوری‌های سلامت از راه دور داشته باشند.