Zielsetzung. Die Auskultation von Lungengeräuschen spielt eine entscheidende Rolle bei der frühen Diagnose von Lungenerkrankungen. Ziel dieser Arbeit ist die Entwicklung eines automatisierten Verfahrens zur Erkennung von pathologischen Lungengeräuschen, um die Arbeitsbelastung von Ärzten zu verringern.Vorgehensweise. Wir stellen eine tiefe Lernarchitektur namens LungAttn vor, die eine erweiterte Aufmerksamkeits-Convolution in einen ResNet-Block integriert, um die Klassifiziergenauigkeit von Lungengeräuschen zu verbessern. Als Merkmalsextraktionsmethode wird ein Ansatz basierend auf einer dualen, justierbaren Q-Faktor-Wavelet-Transformation sowie einer dreifachen kurzzeitigen Fourier-Transformation verwendet, um ein mehrkanaliges Spektrogramm zu erzeugen. Zur Behandlung des Problems unbalancierter Datensätze wird die Mixup-Methode eingesetzt, um Aufnahmen pathologischer Lungengeräusche zu augmentieren.Hauptergebnisse. Auf Basis des ICBHI 2017-Challenge-Datensatzes implementieren wir unser Framework und vergleichen es mit aktuellen state-of-the-art-Verfahren. Die experimentellen Ergebnisse zeigen, dass LungAttn eine Sensitivität (Se) von 36,36 %, eine Spezifität (Sp) von 71,44 % und einen Score von 53,90 % erreicht. Im Vergleich zu den besten bisherigen Modellen, basierend auf der offiziellen Datensplit-Methode des ICBHI 2017-Datensatzes, konnte der Score um 1,69 % verbessert werden.Bedeutung. Das mehrkanalige Spektrogramm, das auf unterschiedlichen oszillatorischen Verhaltensweisen pathologischer Lungengeräusche basiert, liefert notwendige Informationen für die Analyse von Lungengeräuschaufnahmen. Die Einführung eines Aufmerksamkeitsmechanismus in Methoden zur Klassifizierung von Lungengeräuschen hat sich als wirksam erwiesen. Das vorgeschlagene LungAttn-Modell hat das Potenzial, die Geschwindigkeit und Genauigkeit der Klassifizierung von Lungengeräuschen in der klinischen Praxis signifikant zu verbessern.