효과적인 당뇨병 관리를 위해서는 혈당 수치의 지속적인 모니터링이 필요합니다. 임상적으로 혈당 조절은 일반적으로 연속 혈당 측정 (CGM)에서 도출되는 목표 범위 내 시간 (TIR, Time in Range), 목표 범위 미만 시간 (TBR, Time Below Range), 목표 범위 초과 시간 (TAR, Time Above Range)과 같은 지표를 사용하여 평가됩니다. 그러나 많은 환자들이 CGM의 높은 비용과 제한된 접근성으로 인해 자가 혈당 측정 (SMBG, self-monitoring of blood glucose)에 의존합니다. CGM과 달리 SMBG는 희소하고 불규칙한 측정값을 제공하므로, 이러한 지표들을 정확하게 추정하는 데 어려움이 있습니다. 기존의 지도 학습 (Supervised learning) 방식은 이러한 희소성 하에서 어려움을 겪으며, 이는 낮은 일반화 성능과 불안정한 성능으로 이어집니다. 이를 해결하기 위해, 우리는 SMBG로부터 혈당 조절을 추정하기 위한 자기 지도 대조 지식 증류 (Self-supervised contrastive knowledge distillation) 프레임워크인 PACD-Net을 제안합니다. 더 풍부한 시간적 범위를 가진 의사-SMBG (Pseudo-SMBG) 샘플을 교사 신호 (Teacher signals)로 사용하여 희소한 관측값으로부터의 학습을 유도합니다. 또한, 다중 뷰 대조 학습 (Multi-view contrastive learning)을 통해 다양한 샘플링 패턴 전반에 걸쳐 표현 일관성 (Representation consistency)을 강제합니다. 이 모델은 희소한 SMBG 시퀀스의 시간적 의존성 (Temporal dependencies)을 포착하기 위해 Swin Transformer-CNN 하이브리드 백본 (Backbone)을 채택합니다. 실험 결과, PACD-Net은 실제 SMBG 데이터로부터 TAR, TIR, TBR을 추정하는 데 있어 기존 방법보다 일관되게 우수한 성능을 보였으며, 극도로 희소한 관측 설정에서도 향상된 정확도와 더불어 강화된 안정성 및 일반화 성능을 달성했습니다. 제안된 프레임워크는 임상적 SMBG 해석을 위한 실용적인 도구를 제공하며, 더 넓은 응용 분야에서 희소하고 불규칙하게 샘플링된 센서 데이터로부터 학습하기 위한 일반화 가능한 접근 방식을 제공합니다.