Las señales fisiológicas y cinemáticas de los humanos se utilizan a menudo para monitorear la salud. Varios procesos de interés (por ejemplo, procesos cardíacos y respiratorios, y locomoción) demuestran periodicidad. Entrenar modelos para la inferencia sobre estas señales (por ejemplo, detección de anomalías y extracción de biomarcadores) requiere grandes cantidades de datos para capturar su variabilidad, que no están fácilmente disponibles. Esto obstaculiza el rendimiento de modelos de inferencia complejos. En este trabajo, introducimos una metodología para mejorar la inferencia sobre tales señales al incorporar interpretabilidad basada en fases y otras tareas de inferencia en un marco de múltiples tareas aplicado a un modelo generativo. Para este propósito, utilizamos información de fase como un término de regularización y como entrada al modelo e introducimos una unidad interpretable en una red neuronal, que impone una estructura interpretable en el modelo. Esta imposición nos ayuda en la generación suave de señales periódicas que pueden ayudar en tareas de aumento de datos. Demostramos el impacto de nuestro marco en la mejora del rendimiento general de la inferencia en señales de ECG y señales inerciales de la locomoción de la marcha.