Améliorer l’accès aux services de soins de santé pour les populations médicalement défavorisées est essentiel afin de garantir une prise en charge immédiate des maladies graves. Dans les contextes marqués par un manque criant de personnel médical qualifié, une classification basique des sons pulmonaires effectuée via un stéthoscope numérique peut permettre un diagnostic rapide de maladies respiratoires telles que la bronchopneumopathie chronique obstructive. Dans ce travail, nous avons développé une architecture d’apprentissage profond améliorée, appelée LungBRN, basée sur une architecture bi-ResNet, qui utilise des techniques d’extraction de caractéristiques par transformée de Fourier à temps court (STFT) et par ondelettes afin d’améliorer la précision par rapport aux méthodes les plus avancées existantes. Pour assurer une évaluation équitable, nous avons adopté les normes officielles du benchmark ainsi que la méthode de division « entraînement-test » définie dans le défi ICBHI 2017. En conséquence, nous avons atteint une performance de 50,16 % en termes de précision, ce qui représente le meilleur résultat parmi tous les équipes participantes au défi ICBHI 2017.