الهدف. يُعدّ الاستماع إلى أصوات الرئة دورًا مهمًا في التشخيص المبكر لأمراض الرئة. ويهدف هذا العمل إلى تطوير طريقة آلية للكشف عن أصوات الرئة غير الطبيعية، بهدف تقليل العبء على الأطباء. النهج. نقترح معمارية تعلم عميق تُسمى LungAttn، والتي تدمج بين التحفيز المُعزّز والانسيابية في كتلة ResNet لتحسين دقة التصنيف لأصوات الرئة. ونستخدم طريقة استخلاص الميزات المستندة إلى تحويل الموجة ذي معامل Q قابل للضبط المزدوج، بالإضافة إلى تحويل فورييه القصير الثلاثي، للحصول على طيف متعدد القنوات. كما تم استخدام طريقة Mixup لتعزيز تسجيلات أصوات الرئة غير الطبيعية، وذلك لمعالجة مشكلة عدم توازن البيانات. النتائج الرئيسية. استنادًا إلى مجموعة بيانات ICBHI 2017 الخاصة بتحديات التصنيف، قمنا بتنفيذ إطارنا وقارنّاه بالأساليب الحديثة المتقدمة. أظهرت النتائج التجريبية أن نموذج LungAttn حقق حساسية (Se) قدرها 36.36%، ودقة تشخيصية (Sp) قدرها 71.44%، ونتيجة (Score) قدرها 53.90%. وتمت إضافة 1.69% إلى قيمة النتيجة مقارنةً بالنماذج الحديثة المتقدمة، وذلك باستخدام طريقة تقسيم مجموعة بيانات ICBHI 2017 الرسمية. الأهمية. يوفر الطيف المتعدد القنوات المستند إلى السلوك الاهتزازي المختلف لأصوات الرئة غير الطبيعية معلومات ضرورية لتسجيلات أصوات الرئة. كما تم إدخال آلية الانتباه إلى أساليب تصنيف أصوات الرئة، وقد أثبتت فعاليتها. ويمكن للنموذج المُقترح LungAttn أن يُسهم في تحسين سرعة ودقة تصنيف أصوات الرئة في الممارسة السريرية.