Die Verbesserung des Zugangs zu Gesundheitsdienstleistungen für medizinisch benachteiligte Bevölkerungsgruppen ist entscheidend, um kritische Erkrankungen unverzüglich behandeln zu können. In Szenarien mit einem akuten Mangel an qualifiziertem medizinischem Personal kann eine grundlegende Klassifizierung von Lungengeräuschen mittels digitaler Stethoskope eine sofortige Diagnose für respiratorische Erkrankungen wie die chronisch-obstruktive Lungenerkrankung (COPD) ermöglichen. In dieser Arbeit haben wir eine verbesserte bi-ResNet-Deep-Learning-Architektur, namens LungBRN, entwickelt, die Techniken zur Merkmalsextraktion mittels STFT (Short-Time Fourier Transform) und Wavelet-Transformation nutzt, um die Genauigkeit im Vergleich zu aktuellen Ansätzen zu steigern. Um eine faire Bewertung zu gewährleisten, haben wir die offiziellen Benchmark-Standards und die „train-and-test“-Datensplit-Methode, wie sie im ICBHI 2017-Wettbewerb festgelegt wurde, übernommen. Als Ergebnis konnten wir eine Genauigkeit von 50,16 % erzielen, was den bisher besten Wert unter allen am ICBHI 2017-Wettbewerb beteiligten Teams darstellt.