Cet article propose une méthode de détection des bruits respiratoires basée sur l'apprentissage profond afin de prendre en compte la subjectivité et les différences inter-experts en matière d'auscultation, essentielles au diagnostic précoce des maladies respiratoires. Pour pallier les limites des méthodes existantes, notamment le traitement audio à longueur fixe, l'imprécision de la localisation temporelle due à la prédiction image par image et l'utilisation insuffisante des informations de localisation des bruits respiratoires, nous présentons un cadre basé sur un réseau neuronal graphique utilisant des intervalles d'ancrage. Ce cadre permet un traitement audio à longueur variable et une localisation temporelle précise des bruits respiratoires anormaux. Les résultats expérimentaux obtenus avec les jeux de données SPRSound 2024 et HF Lung V1 démontrent l'efficacité de la méthode proposée et l'importance d'utiliser les informations de localisation respiratoire. Une implémentation de référence est disponible sur GitHub.
