본 논문은 생체의학 시계열 데이터, 특히 눈 깜빡임이나 추적 손실로 인해 데이터가 누락되는 경우가 많은 평활 추적 안구 운동 데이터에서의 결측 데이터 문제를 해결하기 위한 새로운 imputation 프레임워크를 제시한다. 자기-주의(Self-Attention) 기반의 imputation 네트워크와 평활 추적 안구 운동 시퀀스에 맞춤화된 오토인코더를 활용하여 결측 데이터를 보완한다. 172명의 파킨슨병 환자와 건강한 대조군의 5,504개 시퀀스를 사용하여 실험한 결과, 기존의 최첨단 기법들에 비해 재구성된 안구 운동 시퀀스의 정확도가 향상되었고, 평균 절대 오차, 평균 상대 오차, 제곱근 평균 제곱 오차와 같은 일반적인 시간 영역 오차 지표 값이 크게 감소되었으며, 신호의 주파수 영역 특성도 유지됨을 보였다. 또한, 대량의 데이터 누락에도 강건함을 보였다. 이 방법은 시계열 데이터의 결측 데이터 처리를 위한 강력한 대안을 제공하며, 신경 퇴행성 질환의 선별 및 모니터링을 위한 평활 추적 분석의 신뢰성을 높인다.
