Monitorer les compétences techniques des nageurs constitue un défi majeur en sciences du sport afin d'améliorer les performances. Cela peut être fait en analysant les données fonctionnelles multivariées mesurées par des capteurs miniaturisés tels que les centrales inertielles (IMU). Ces données sont composées de six dimensions décrivant la cinématique 3D du nageur au cours du temps à travers les accélérations et la vitesse angulaire. Pour investiguer les niveaux techniques en crawl sur la base des enregistrements IMU, un modèle de mélange produisant deux partitions complémentaires est proposé et reflète, pour chaque nageur, son pattern de nage et sa capacité à le reproduire. Contrairement aux approches habituelles de clustering de données fonctionnelles, celle-ci prend également en compte les informations présentes dans les termes d'erreur résultant de la décomposition en bases fonctionnelles. En effet, après avoir décomposé en bases fonctionnelles avec un nombre fini d'éléments à la fois le signal original (mesurant le pattern de nage) et le signal des termes d'erreur au carré (mesurant la capacité à le reproduire), la méthode ajuste la distribution conjointe des coefficients liés aux deux décompositions en tenant compte de la dépendance entre les deux partitions. La modélisation de cette dépendance est obligatoire puisque la difficulté à reproduire un pattern de nage dépend de sa forme. En outre, une décomposition éparse de la distribution au sein des composantes permet de sélectionner les dimensions pertinentes lors du clustering. Cela permet d'améliorer l'interprétation technique du modèle pour les utilisateurs. Les partitions obtenues sur les données IMU agrègent la variabilité cinématique de la nage associée aux compétences techniques et permettent d'identifier les habiletés biomécaniques pertinentes pour des sprinteurs en crawl.