目的。肺音の聴診は、肺疾患の早期診断において重要な役割を果たす。本研究では、医師の負担を軽減するため、異常肺音を自動検出する手法の開発を目的としている。手法。本研究では、ResNetブロックに拡張されたアテンション畳み込みを組み込んだ深層学習アーキテクチャ「LungAttn」を提案する。このアーキテクチャは、肺音の分類精度を向上させるために、二重可変Q係数ウェーブレット変換と三重短時間フーリエ変換に基づく特徴抽出法を用いてマルチチャネルスペクトログラムを取得している。また、データセットの不均衡問題に対処するため、Mixup法を用いて異常肺音の録音データを拡張している。成果。ICBHI 2017チャレンジデータセットを用いて本フレームワークを実装し、最先端の手法と比較した結果、LungAttnは感度（Se）36.36%、特異度（Sp）71.44%、スコア（Score）53.90%を達成した。特に、公式のICBHI 2017データセット分割法に基づく最先端モデルと比較して、スコアにおいて1.69%の向上を実現した。意義。異常肺音の異なる振動特性に基づくマルチチャネルスペクトログラムは、肺音録音データに必要な情報を提供する。また、肺音分類手法にアテンション機構を導入したことは、有効性を実証した。本研究で提案するLungAttnモデルは、臨床現場における肺音分類の速度および精度の向上に貢献する可能性がある。