Objectif. L’auscultation des sons pulmonaires joue un rôle crucial dans le diagnostic précoce des maladies pulmonaires. Ce travail vise à développer une méthode automatisée de détection des sons pulmonaires anormaux afin de réduire la charge de travail des médecins.Approche. Nous proposons une architecture d’apprentissage profond, appelée LungAttn, qui intègre une convolution à attention augmentée dans un bloc ResNet afin d’améliorer la précision de classification des sons pulmonaires. Nous utilisons une méthode d’extraction de caractéristiques basée sur une transformation en ondelettes à facteur Q ajustable double et une transformation de Fourier à court terme triplée, afin d’obtenir un spectrogramme à plusieurs canaux. La méthode Mixup est introduite pour augmenter les enregistrements de sons pulmonaires anormaux, afin de pallier le problème d’imbalanced dataset.Résultats principaux. Sur le jeu de données de l’ICBHI 2017, nous mettons en œuvre notre cadre et le comparons aux méthodes de pointe. Les résultats expérimentaux montrent que LungAttn atteint une sensibilité (Se) de 36,36 %, une spécificité (Sp) de 71,44 % et un score de 53,90 %. En particulier, notre approche améliore le score de 1,69 % par rapport aux modèles de pointe, selon la méthode de division officielle du jeu de données ICBHI 2017.Signification. Le spectrogramme à plusieurs canaux, fondé sur les comportements oscillatoires différents des sons pulmonaires anormaux, fournit des informations essentielles pour l’analyse des enregistrements sonores pulmonaires. L’introduction du mécanisme d’attention dans les méthodes de classification des sons pulmonaires s’est avérée efficace. Le modèle proposé LungAttn pourrait potentiellement améliorer la vitesse et la précision de la classification des sons pulmonaires dans les pratiques cliniques.