El monitoreo de la frecuencia cardíaca sin contacto a partir de videos faciales utilizando fotopletismografía remota (rPPG) ha ganado una gran aceptación en el monitoreo remoto de la salud. Dado que la rPPG captura el flujo sanguíneo dinámico dentro del cuerpo humano y constituye una señal de series temporales caracterizada por propiedades periódicas, este estudio introdujo una red neuronal convolucional tridimensional (3D CNN) diseñada para abordar simultáneamente las características periódicas a largo plazo y temporales a corto plazo para una extracción efectiva de la señal rPPG. En primer lugar, se emplean operaciones diferenciales para preprocesar los datos de video, mejorando las características dinámicas del rostro. En segundo lugar, construyendo sobre el marco de la 3D CNN, se integraron convoluciones dilatadas multiescala y mecanismos de autoatención para mejorar aún más las capacidades de modelado temporal del modelo. Finalmente, se aplican técnicas de interpolación para refinar la metodología de cálculo de la frecuencia cardíaca. Los experimentos realizados en el conjunto de datos UBFC-rPPG indican que, en comparación con el algoritmo óptimo existente, el error absoluto promedio (MAE) y el error cuadrático medio (RMSE) experimentaron mejoras significativas de aproximadamente el 28% y el 35%. Además, a través de análisis exhaustivos como experimentos entre conjuntos de datos y análisis de complejidad, se manifestó la validez y estabilidad del algoritmo propuesto en la tarea de estimación de la frecuencia cardíaca.