Los datos de captura de movimiento (MoCap) derivados de unidades de medida inerciales portátiles son esenciales para aplicaciones en ciencia del deporte y robótica en salud. Sin embargo, una cantidad significativa del potencial de estos datos se ve limitada debido a la falta de datos derivados de limitaciones de sensores, problemas de red e interferencias ambientales. Tales limitaciones pueden introducir sesgos, prevenir la fusión de flujos de datos críticos y, en última instancia, comprometer la integridad del análisis de la actividad humana. A pesar de la gran cantidad de técnicas de imputación de datos disponibles, ha habido pocas evaluaciones sistemáticas del rendimiento de estas técnicas específicamente para los datos de series temporales derivados de MoCap. Abordamos esto evaluando el rendimiento de la imputación en tres contextos distintos: series temporales univariadas, multivariadas entre jugadores y multivariadas entre ángulos cinemáticos. Para abordar esta limitación, proponemos un análisis comparativo sistemático de técnicas de imputación, incluyendo técnicas estadísticas, de aprendizaje automático y de aprendizaje profundo, en este documento. También introducimos el primer conjunto de datos de MoCap disponible públicamente específicamente para el propósito de evaluar la imputación de valores faltantes, con tres mecanismos de falta: falta completamente al azar, falta por bloques y un patrón de falta dependiente de valores simulado en los puntos de transición de la señal. Usando datos de 53 practicantes de karate realizando movimientos estandarizados, generamos artificialmente valores faltantes para crear condiciones experimentales controladas. Realizamos experimentos con los 53 sujetos con 39 variables cinemáticas, que mostraron que discriminar entre marcos de imputación univariados y multivariados demuestra que los marcos de imputación multivariados superan a los enfoques univariados cuando se trabaja con mecanismos de falta más complejos. Específicamente, los enfoques multivariados lograron hasta un 50% de reducción de error (con el MAE mejorando de 10.8 +/- 6.9 a 5.8 +/- 5.5) en comparación con los métodos univariados para la falta en puntos de transición. Modelos de aprendizaje profundo especializados en series temporales (es decir, SAITS, BRITS, GRU-D) demostraron un rendimiento superior con valores de MAE consistentemente por debajo de 8.0 para contextos univariados y por debajo de 3.2 para contextos multivariados en todos los porcentajes de datos faltantes, superando significativamente a los métodos tradicionales de aprendizaje automático y estadísticos. Métodos tradicionales notables como las Redes Generativas Adversariales de Imputación y los Imputadores Iterativos exhibieron un rendimiento competitivo pero fueron menos estables que los modelos temporales especializados. Este trabajo ofrece una línea base importante para futuros estudios, además de recomendaciones para investigadores que buscan aumentar la precisión y robustez del análisis de datos de MoCap, así como la integridad y confiabilidad.