تحقیق در مورد رنگ نمادهای نظامی در نقشه های موقعیت دیجیتال بر اساس فناوری بالقوه مرتبط با رویداد

خلاصه

تحت روند عملیات نظامی به طور فزاینده اطلاعاتی و افزایش قدرت مانور واحدهای رزمی، فرماندهان نظامی الزامات بالاتری را برای دقت و سرعت اطلاعات در نقشه های موقعیت میدان نبرد مطرح کرده اند. بر اساس میدان نبرد دریا، این مقاله به بررسی مزایا و معایب تطبیق رنگ نمادهای نظامی در نقشه‌های وضعیت دریا می‌پردازد. پانزده رنگ، که هر Hue دارای پنج رنگ بود، با استفاده از سیستم رنگی Munsell بر اساس محور Chroma و محور Value در بازه‌های 2 و 4 انتخاب شدند. با جمع‌آوری و تجزیه و تحلیل داده‌های EEG P300، داده‌های زمان واکنش و داده‌های دقت 20 موضوع، یک انتخاب تطبیق رنگ بهتر از نمادهای نظامی روی نقشه های وضعیت دریا با رنگ خالص (L = 85، a = -10، و b = -23) ارائه شده است، و نتیجه گیری به شرح زیر است: (1) رنگ های مختلف همگی باعث مولفه P300 در آزمایش EEG می شوند. در این میان، دامنه P300 که توسط نمادهای نظامی با رنگ کروم پایین‌تر ایجاد می‌شود، کوچک‌تر و تأخیر کوتاه‌تر است، که نشان می‌دهد تجربه کاربری و کارایی نمادهای رنگی کم کروما نسبت به نمادهای رنگی کروما بالا بهتر خواهد بود. (2) نمادهای نظامی نقشه رنگی با ارزش بالا باعث دامنه P300 بالاتر و تأخیر طولانی‌تر می‌شوند. با توجه به نتایج بالا، این مقاله سه رنگ بهینه شده، یعنی آبی (L = 39، a = 20، و b = -49)، سبز (L = 80، a = -72، و b = 72) را ارائه می دهد. و قرمز (L = 20، a = 41، و b = 28). علاوه بر این، سه رابط نقشه برای تایید اعتبار این رنگ ها طراحی شد. با استفاده از مقیاس NASA-TLX (شاخص بار وظیفه) برای ارزیابی بار وظیفه رابط های تأیید، می توان نتیجه گرفت که این سه رنگ بهینه شده توسط کاربرانی که در GIS و طراحی رابط مهارت دارند ترجیح داده می شوند. بنابراین، نتیجه تحقیق این مقاله می‌تواند مقادیر مرجع مهمی برای طراحی نقشه نظامی ارائه دهد که در کوتاه‌تر کردن زمان شناسایی و قضاوت در هنگام استفاده از نقشه‌های موقعیت مفید است و می‌تواند عملکرد عملیاتی کاربران را بهبود بخشد.

کلید واژه ها:

نقشه موقعیت ؛ رنگ ؛ P300 ; GIS _ طراحی نماد ; ERP

چکیده گرافیکی

1. معرفی

امروزه، رابط های سنتی انسان و کامپیوتر با رابط های دیجیتال انسان و کامپیوتر در اکثر اتاق های کنترل صنعتی جایگزین شده اند. اپراتورها تأکید بیشتری بر عقلانیت فرآیندهای شناختی و قابلیت اطمینان استفاده از چنین فرآیندهایی دارند [ 1 ]. عناصر اصلی یک رابط دیجیتال را می توان به پنج بخش تقسیم کرد – نماد، فضا، رنگ، طرح بندی، و تعامل – که رنگ عامل مهمی است که بر رابط دیجیتال تأثیر می گذارد.

در زمینه کدگذاری رنگ، اهلستروم و آرند تأثیر تطابق رنگ را بر عملکرد کاری رابط عملیات در سیستم کنترل ترافیک هوایی (ATC) بررسی کردند و به این نتیجه رسیدند که افزایش اهمیت کنتراست ارزش در کدگذاری رنگ می‌تواند نمایشگر را افزایش دهد. سطح اطلاعات [ 2 ]. نتایج تحقیق چیانگ و همکاران. نشان داد که اگر بلوک های نقشه با کدگذاری رنگی در یک سیستم GIS متمایز نشوند – به عبارت دیگر، اگر تصاویر نقشه نتوانند به درستی پیش پردازش شوند – اکثر نتایج نمایش رابط نقشه در برآورده کردن انتظارات کاربران شکست خواهند خورد [ 3 ]. لی و همکاران همچنین روشی برای تنظیم مقدار و تقویت کدگذاری رنگ برای کاهش مشکل کاهش دید که ناشی از گرافیک های بصری پیچیده است پیشنهاد کرد [ 4 ]].

در زمینه ارگونومی رنگ رابط، Boulhic رابط نظارتی یک کشتی را در موتورخانه مطالعه کرد و اثرات کدهای دو رنگ را بر عملکرد افراد تازه کار و متخصص در کارهای جستجوی شی مقایسه کرد. نتایج نشان داد که نسخه دو رنگ استاندارد خاص، بار ذهنی و زمان جستجوی تازه‌کاران را افزایش می‌دهد، در حالی که کاربران خبره در شناسایی نمادهای مایع که با کدهای دو رنگ نشان داده می‌شوند نسبت به افراد تازه کار مشکل بیشتری داشتند [ 5 ]. با توجه به مشاهدات انسانی، یانگ رنگ BCDS (سیستم طراحی رنگ کسب و کار) را به منظور مطالعه اثرات روانشناختی استفاده از رنگ در رابط سبک مسطح، که راحتی تعاملات انسان و کامپیوتر را بهبود بخشید، به کار برد [ 6 ].]. سان و همکاران یک روش تطبیق رنگ رابط مبتنی بر تصویر را پیشنهاد کرد که مبتنی بر حافظه ذهنی و تجربه مغز انسان است [ 7 ].

بر اساس نیازهای کاربر برای رابط های نقشه، برخی از محققان روش های طراحی را در رابط نقشه GIS برای بهبود کارایی در حین استفاده اعمال کرده اند. تیان و همکاران طراحی یک مدل داده از ذخیره سازی یکپارچه داده های اطلاعات جغرافیایی و داده های نقشه برداری، طراحی تطبیقی نقشه ها. ثابت شد که روش تنظیم خودکار مکان و چیدمان عناصر نقشه GIS نه تنها کارایی کاربران را بهبود بخشید، بلکه بار فیزیولوژیکی و روانی را نیز کاهش داد [ 8 ]. علاوه بر این، شولز پیشنهاد کرد که ابهام بیش از حد و مقدار رنگ، و همچنین سایه، بهترین فرم های ارائه بصری برای نقشه های دو متغیره برای نشان دادن عدم قطعیت هستند. 9 ]]. در مطالعه طبقه بندی کاربری اراضی، Akcay و همکاران. اشکال تقسیم بندی اشکال، رنگ ها و تراکم های مختلف را تجزیه و تحلیل کرد که دقت نمایش نتایج طبقه بندی آنها را بهبود بخشید [ 10 ]. شیو و همکاران از یک مدل جستجوی بصری برای انتخاب رنگ‌ها برای نمادهای نمایش داده شده بر روی نقشه‌ها استفاده کرد که نشان‌دهنده بهترین انتخاب رنگ برای نمادها در نقشه GIS و پیش‌بینی‌هایی از مدل جستجوی بصری به منظور به حداقل رساندن زمان لازم برای جستجوی نمادها بود. نتایج تجربی نشان داد که مدل آزمایشی جستجوی بصری می‌تواند مرجعی برای رنگ‌های آیکون‌ها فراهم کند تا زمان جستجوی نمادها در یک سیستم GIS را به حداقل برساند. 11 ].]. در مطالعه فرم ارائه نقشه، Skopeliti یک طرح طراحی بهینه را با مطالعه طرح ریزی، جهت، مقیاس، نمادها و سایر عناصر نقشه های آنلاین پیشنهاد کرد [ 12 ].

در فرآیند تحقیق اطلاعات نقشه، روش‌های آزمایشی اصلی که توسط محققین اتخاذ شد، روش ارزیابی ذهنی و روش اندازه‌گیری عینی است. بر اساس نظریات مربوط به زبان شناسی، لی و همکاران. اجزای کلیدی نمادهای نقشه شخصی‌سازی‌شده، مانند معناشناسی موقعیتی و دستور زبان بیان نماد، و استراتژی‌های طراحی پیشنهادی برای نمادهای نقشه شخصی‌شده را تجزیه و تحلیل کرد. 13 ]]. تیان یک روش طراحی نماد نقشه سلسله مراتبی مبتنی بر معنایی را در مطالعه نمادهای نقشه پیشنهاد کرد و به طور کامل مقادیر اجزای معنایی مفهومی نمادهای نقشه را در زمینه طراحی نماد بررسی کرد. علاوه بر این، محقق پیشرفت های طراحی و آزمایش های شناختی را انجام داد. نتایج نشان داد که کارایی شناخت نمادهای بهبودیافته بهتر است و نرخ انتقال اطلاعات نسبتاً پایدار است [ 14 ].

لی، تیان و سایر محققان عمدتاً از روش‌های ارزیابی ذهنی برای مطالعه رابط‌ها و رنگ‌های GIS استفاده کردند، در حالی که موارد کمی از آزمایش‌های عینی بر اساس داده‌های فیزیولوژیکی وجود دارد. Oom به طور خلاقانه ای از فناوری ردیابی چشم در زمینه های نقشه برداری و GIS استفاده می کند. با تجزیه و تحلیل شاخص های حرکت چشم، مانند زمان تثبیت و مدت زمانی که چشم کاربران روی یک عنصر از نقشه متمرکز می شود، استراتژی های جستجوی کاربران از نقشه های پویا و تعاملی آشکار شد [ 15 ]. علاوه بر این، Coltekin دو طرح افسانه ای از نقشه های منظر خاک را با استفاده از تجزیه و تحلیل شاخص حرکت چشم کاربرانی که نقشه را می خوانند، ارزیابی کرد و در نهایت پیشنهاداتی را برای طراحی چنین نقشه هایی ارائه کرد [ 16 ].]. لیو و چن تأثیر طراحی مرزی نمادهای نقشه نقطه‌ای را بر روی نقشه‌های شناختی کاربران از طریق آزمایش‌های حرکت چشم، هنگام مقایسه تأثیرات مختلف شناختی سه طرح، بررسی کردند و طرح طراحی مرز نمادهای نقشه نقطه‌ای را بر روی نقشه‌های گردشگری شبکه پیشنهاد کردند [ 17 ]. ].

علاوه بر این، در مطالعه فرآیندهای شناختی کاربر، آزمایش‌های فیزیولوژیکی عینی همچنین شامل فناوری الکتروانسفالوگرام (EEG) می‌شود که شامل پتانسیل مرتبط با رویداد (ERP)، تصویربرداری تشدید مغناطیسی عملکردی (FMRI)، تصویربرداری عملکردی مادون قرمز نزدیک (fNIRS) و موارد دیگر است. فن آوری. این روش‌های تصویربرداری عصبی موثر و بلادرنگ می‌توانند فعالیت مغز را در فرآیند تغییرات شناختی اولیه اندازه‌گیری کنند، تا مکانیسم شناختی درونی کاربران را در حین استفاده از رابط‌های دیجیتال درک کنند. بابلونی و همکاران از طریق بهبود مستمر فناوری EEG به وضوح زمانی و مکانی دقیق‌تر فناوری EEG دست یافت. 18 ]]. FMRI به دلیل قدرت تفکیک فضایی بالا نقش مهمی در علوم شناختی ایفا می کند. رحم و همکاران از فناوری FMRI برای مطالعه رابطه بین بار حافظه کاری و فعال‌سازی لوب جداری فرونتال استفاده کرد و مکانیزم مرجعی برای مطالعه حافظه کاری مرتبط با تصمیم‌گیری فراهم کرد [ 19 ]. ERP نوعی EEG برانگیخته است که به پتانسیل خاصی اشاره دارد که در هنگام دریافت یک محرک خاص در مغز ایجاد می شود. وضوح زمانی بالایی دارد که می تواند ویژگی های پردازش مواد را در مراحل اولیه شناختی آشکار کند. ERP اغلب برای اندازه گیری بار یک کار خاص استفاده می شود. پری از فناوری های مرتبط با ERP برای انجام تحقیقات خود در هنگام بررسی رابطه بین بار بینایی و ناحیه بینایی مغز استفاده کرد [ 20].

در بین اجزای ERP، P300 یک موج مثبت در اجزای EEG است که معمولاً 300 میلی‌ثانیه پس از یک محرک خاص رخ می‌دهد و دامنه P300 به طور گسترده در ارزیابی بارهای وظیفه استفاده می‌شود. دامنه P300 نسبتاً زیاد است، معمولاً 5-20 میکروولت و گاهی اوقات تا 40 میکروولت است. اعتقاد بر این است که دامنه P300 با دشواری کار مرتبط است [ 21 ، 22 ، 23 ، 24 ]. چن و همکاران دامنه، تأخیر و سایر مؤلفه های P300 را به عنوان معیار انتخاب ویژگی کار انتخاب کرد [ 25 ]. ژانگ بار روانی خلبانان را قبل و بعد از استرس با مقایسه تغییرات دامنه P300 و تأخیر ارزیابی و اندازه گیری کرد [ 26 ]]. جین و همکاران یک آزمایش EEG بر روی آگاهی موقعیتی رابط گرافیکی دیجیتال جنگنده انجام داد [ 27 ]. علاوه بر این، یه و همکاران. روش ERP را در مطالعه رنگ رابط‌ها، بررسی عمیق، وضعیت رنگ در فرآیند شناختی اولیه معرفی کرد [ 28 ].

از تحقیقات فوق می توان نتیجه گرفت که فناوری EEG به طور گسترده در زمینه های مختلف علمی به کار گرفته شده است و با توجه به ویژگی های ثبت دقیق، داده های پایدار، وضوح میلی ثانیه زمان، رویداد، نتایج تحقیقاتی دقیق و کاربردی به دست آورده است. هماهنگ سازی و عملکرد عصبی درون زا قوی.

در بسیاری از روش‌های طراحی رابط نقشه GIS و روش‌های تحقیق در زمینه علوم شناختی، هنوز مطالعات کمی وجود دارد که از روش‌های اندازه‌گیری عینی EEG استفاده کرده باشد. روش‌های تجربی EEG از دقت و قابلیت اطمینان بالاتری نسبت به روش‌های دیگر برخوردار هستند و می‌توان آنها را برای GIS و تحقیقات متقابل مرتبط با رابط سازگار کرد. از این رو، فناوری EEG در این مقاله به منظور ارزیابی رنگ نمادهای نظامی در رابط نقشه های موقعیت انتخاب شد.

2. کارهای مرتبط

2.1. نقشه های موقعیت

نقشه موقعیت معمولاً از یک پایگاه نقشه دیجیتال، عناصر موقعیتی و اطلاعات مشروح تشکیل شده است. عناصر موقعیتی عمدتاً شامل نمادهای نقشه، اعداد صف، نقاط گلوله و غیره است [ 29 ]. شکل 1 سیستم FBCB2 مورد استفاده ارتش ایالات متحده را نشان می دهد که شامل عناصر مشترک یک نقشه موقعیت است و نشانگرهای آبی و قرمز نقشه در شکل نمادهای نظامی هستند.

برای رابط نقشه های موقعیت، مدیریت GIS و نمایش نمادهای نظامی دو عملکرد اساسی هستند. وظایف اصلی مدیریت GIS بارگذاری نقشه، مدیریت لایه، عملیات نقشه، پرس و جو نقشه و اندازه گیری می باشد. نوع نقشه‌هایی که توسط سیستم بارگذاری می‌شوند متغیر هستند و برای مثال شامل نمودارهای مسطح، نقشه‌های تصویری، نمودارهای رزمی مشترک و نقشه‌های کاربردی [ 30 ] هستند. این مقاله نقشه ای را از “نقشه نظامی” برای تحقیق، همانطور که در شکل 2 نشان داده شده است، اتخاذ کرد . “نقشه نظامی” یک برنامه تحت وب است که برای تجسم و برنامه ریزی تمرین ها و ماموریت های نظامی طراحی شده است. این برنامه می تواند هم جستجو کند و هم نمادهای نظامی ارائه شده توسط MIL-STD-2525C را اضافه کند.

پنج نوع اصلی در برنامه «نقشه نظامی» وجود دارد: ترکیبی، نقشه راه، جاده‌ها، ماهواره‌ای و زمینی ( شکل 3 ). از این میان، مدل نقشه زمین معمولاً در نقشه های موقعیت استفاده می شود.

حالت زمین “نقشه نظامی” ( شکل 4 ) یک الگوی نقشه معمولی را نشان می دهد. در میان عناصر مختلف در نقشه های زمین، اقیانوس یک محیط زندگی مهم برای انسان است. در دنیای امروز، اقیانوس اهمیت واقعی و استراتژیک تری را منعکس می کند [ 31 ]. بنابراین، یک نقشه “دریای آزاد” از رنگ خالص به عنوان پس‌زمینه رابط آزمایش‌ها در این مقاله استفاده شد، که منجر به کسب داده‌های نویز کمتر در آزمایش‌های فیزیولوژیکی عینی می‌شود.

علاوه بر نقشه پس زمینه در رابط، یکی دیگر از اجزای رابط نقشه های موقعیت، نمادهای نقشه است که به نمادهای نظامی به ویژه در این مقاله اشاره دارد. اجزای اصلی نمادهای نظامی در MIL-STD-2525C [ 32 ] توضیح داده شده است. همانطور که در شکل 5 نشان داده شده است، عناصر یک نماد نظامی از قاب، بالشتک و علامت الفبایی تشکیل شده است .

نمادهای نظامی را می توان با گزینه های مختلف نمایش مانند حالت مسطح، حالت خطی و حالت نقطه [ 32 ] نشان داد، همانطور که در شکل 6 نشان داده شده است.

در میان سه گزینه نمایش نمادهای نظامی، الگوی نمایش خطی بدون قاب بیشترین حساسیت را به رنگ و پس‌زمینه یک رابط دارند. بنابراین، روش نمایش خطی در MIL-STD-2525C برای آزمایش انتخاب شد.

2.2. داستان های رنگی

راه های زیادی برای درک اطلاعات خارجی توسط افراد وجود دارد. آزمایش‌های مربوطه نشان می‌دهد که ۸۰ درصد اطلاعاتی که مردم می‌توانند درک کنند از طریق بینایی به دست می‌آیند. در ادراک بصری، رنگ عامل بسیار بزرگی است. در 20 ثانیه اول هنگامی که یک فرد یک شی را مشاهده می کند، احساس رنگ 80٪ از اطلاعات درک شده را تشکیل می دهد و احساس مورفولوژیکی 20٪ [ 33 ]. رنگ‌های مختلف اعماق ادراک متفاوتی را به افراد می‌دهند که در نتیجه لایه‌های ادراک بصری ایجاد می‌شود که برای طراحی یک رابط با لایه‌های متعددی که برای نمایش اطلاعات روی هم قرار دارند، مانند رابط نقشه، اهمیت زیادی دارد.

سیستم رنگی Munsell (MCS) یکی از رایج ترین سیستم های رنگی مورد استفاده در جهان است. همانطور که در شکل 7 الف نشان داده شده است، MCS رنگ های مختلف را در کارت های خاص با یک عدد منحصر به فرد به شیوه ای منظم بر اساس H (Hue)، V (Value) و C (Chroma) مرتب می کند . مزیت سیستم MCS همان مرحله بین دو رنگ و مشخصه مساوی فاصله در ادراک بصری است [ 34 ].

با این حال، بیش از یک میلیارد رنگ در کامپیوتر وجود دارد. رنگ‌های MCS نمی‌توانند همه رنگ‌ها را در تجهیزات نمایشگر دیجیتال نشان دهند و جداسازی رنگ‌ها در نمودار رنگی CIE1976 یکنواخت نیست. سیستم رنگی HSV (HSB) بیشتر در نرم افزارهای طراحی دیجیتال برای عادات استفاده کاربر محور آن استفاده می شود که به مشکلات MCS می پردازد و روش کاربرپسندتری برای انتخاب رنگ ها بر اساس H (Hue)، S (Saturation) ارائه می دهد. و V (ارزش) که همان معنای B (روشنایی) در جای دیگر است. بنابراین، مفهوم سیستم رنگ HSV همراه با آرایش رنگ MCS به دلیل شباهت MCS و راحتی آن در کاربرد عملی، در این مقاله استفاده شده است.

در رابط های دیجیتال، رابطه رنگ بین هدف و پس زمینه به کاربران اجازه می دهد تا حس بصری فاصله را به دست آورند. انتخاب صحیح رنگ ها و تنظیم منطقی رابطه بین هدف و پس زمینه برای ارزیابی و آزمایش بسیار مهم است [ 35 ].

در عین حال، متامریسم یک عنصر تأثیرگذار در مطالعه مبتنی بر رنگ است. به گفته پراساد و ونه [ 36 ] ، رنگ‌های مبدا یک شی می‌تواند تحت تأثیر درخشندگی، حسگرها، دستگاه‌های روشنایی و غیره متفاوت باشد. یادآوری می‌کند که سیستم روشنایی و دستگاه‌های نمایشگر باید با توجه به شاخص‌های یکسان دمای رنگ و فضای رنگ در آزمایش سازگار باشند.

علاوه بر این، زوایای ناظر استاندارد مختلف، مانند دو درجه یا 10 درجه، می تواند باعث ایجاد برخی تفاوت ها شود. ایکدا و همکاران تفاوت‌های بین زاویه ناظر استاندارد دو درجه و 10 درجه [ 37 ] را مورد بحث قرار داده بود. با توجه به این مشکل، ترزونا دریافت که زاویه ناظر استاندارد 10 درجه ارزش کاربردی بیشتری نسبت به دو درجه در کاربردهای عملی دارد، مانند عکاسی، تجارت، چاپ و رابط، زیرا زوایای بصری 10 درجه در فضای واقعی رایج تر است. سناریوهای روزانه [ 38 ].

2.3. تکنولوژی EEG

EEG اولین بار در سال 1875 کشف شد و در سال 1964، گری والتر و همکاران. مولفه های ERP شناختی را ترسیم کرد و شروع دوره جدیدی از تحقیقات ERP را نشان داد [ 39 ]. مؤلفه های ERP مشاهده شده در سال های اخیر شامل موج منفی ناسازگار (MMN)، پتانسیل مرتبط با حرکت، N400، P300، پتانسیل تشخیص (RP) و دید C1/P1/N2 است، اما محدود به آنها نیست.

در مطالعه MMN، کلیفورد و همکاران. یک موج منفی عدم تطابق بصری (vMMN) را هنگام بررسی تغییرات مغز در فرآیند ادراک رنگ پیشنهاد کرد، و شواهد احتمالی را برای طبقه‌بندی و کدگذاری توجه اولیه رنگ ارائه کرد [ 40 ]. آکسنر و همکاران پیشنهاد کرد که تغییرات در چیدمان یک رابط باعث تغییراتی در MMN، P2-N2 و P300 می شود [ 41 ]. با این حال، MMN عمدتاً ناشی از شنوایی است، و موج دیفرانسیل کلاسیک MMN را می توان در پارادایم کلاسیک Oddball به دست آورد. وینس اس و همکاران پیشنهاد کرد که هیچ ارتباطی بین ظرفیت حافظه کاری و بار بصری و MMN وجود ندارد [ 42]. بر این اساس Male et al. می خواست vMMN واقعی را از طریق آزمایشات اثبات کند و در نهایت به این نتیجه رسید که vMMN واقعی یک پدیده ناپایدار است که به پارامترهای آزمایشی که قرار است تعیین شود نیز وابسته است [ 43 ].

N400 مؤلفه ای است که به پردازش زبان، به ویژه استخراج اطلاعات معنایی از حافظه بلند مدت مربوط می شود. با این حال، با تعمیق تحقیقات، نشان داده شده است که N400 نه تنها با پردازش معنایی مرتبط است، بلکه هنوز هم می تواند زمانی که چهره ها، تصاویر و سایر محرک های غیرکلامی ظاهر می شوند، القا شود [ 44 ]. لیو و همکاران اثر پرایم تجمعی اطلاعات بصری اولیه روی صدای هدف را از طریق تجزیه و تحلیل اجزای N400 مطالعه و به دست آورد [ 45 ]. راما و همکاران سیستم زبانی نوزادان را مورد مطالعه قرار داد و دریافت که اثر آغازگر N400 در کودکان 2 ساله قابل توجه بود، که شبیه به نوزادان با واژگان غنی تر در 18 ماهگی بود [ 46 ].]. Proverbio از N400 برای مطالعه پردازش اطلاعات بصری حرکات انسان استفاده کرد و به این نتیجه رسید که اطلاعات بصری و ورودی زبان دارای الگوهای پردازش مشابهی هستند [ 47 ].

در کارهای تحقیقاتی P300، نیو و همکاران. از طریق آزمایش‌ها تأیید کرد که تأخیر و دامنه P300 با افزایش سختی کار افزایش می‌یابد، که نشان می‌دهد دامنه P300 با سطح حافظه کاری مرتبط است [ 22 ]. از دیدگاه زبان‌شناسی، موریسون و تالر تأیید کردند که بین دامنه مولفه P300 و بار پردازش زبان همبستگی وجود دارد: هر چه بار بزرگ‌تر باشد، دامنه P300 بیشتر است [ 48 ]. تینگ هان و همکاران همچنین در تحقیقات خود در رابطه با حافظه رابطه مشابهی پیدا کردند [ 49]. برتی و همکاران هنگام بررسی تحریک حرکتی بینایی سطحی. از مؤلفه P300 برای تجزیه و تحلیل استفاده کرد و به این نتیجه رسید که الکترودهای لوب جداری و لوب اکسیپیتال با تحریک بصری ارتباط زیادی دارند [ 50 ]. لیو و همکاران همچنین در هنگام استفاده از P300 تفاوتی در قضاوت رنگ بین میدان دید چپ و راست پیدا کرد [ 51 ]. علاوه بر این، فرمین ام و همکاران. همچنین از مؤلفه P300 برای کشف تأثیر رنگ بر کلمات مختلف در فرآیند شناختی اولیه استفاده کرد [ 52 ].

با در نظر گرفتن اثرات مختلف اجزای مختلف EEG در انواع مختلف مطالعات فوق، بدیهی است که P300 نقش مهمی در مطالعه تحریک رنگ و عملکرد شناختی ایفا می کند. بنابراین، مولفه P300 برای ارزیابی و تحلیل شاخص‌های تجربی در این مقاله انتخاب شد.

3. روش شناسی

3.1. تجهیزات و موضوعات

هدف این مقاله بررسی رابطه بین رنگ‌های مختلف نمادهای نظامی روی نقشه‌ها و تأثیر جستجوی بصری از طریق ERP و آزمایش‌های رفتاری بود. با تجزیه و تحلیل دامنه و تأخیر مؤلفه ERP P300، ترکیب داده های رفتاری دقت و زمان واکنش، یک طرح رنگی بهینه برای نمادهای نظامی در نقشه های موقعیت ارائه می شود.

سخت افزار تجهیزات آزمایشی مورد استفاده در این آزمایش، سیستم EEG EEGO MyLab تولید شده توسط شرکت ANT با 32 کانال می باشد. محرک ها روی صفحه نمایشی با اندازه فیزیکی 21.5 اینچ و وضوح 1920 × 1080 پیکسل قرار گرفتند.

نرم افزارهای مورد استفاده در آزمایشات E-Prime 2.0، ASA و SPSS بودند. E-Prime 2.0 برای ارائه محرک ها و جمع آوری داده های رفتاری از آزمایش ها استفاده شد. ضمناً برای جمع آوری و تجزیه و تحلیل داده های EEG از ASA و برای تجزیه و تحلیل داده های رفتاری جمع آوری شده از SPSS استفاده شد.

آزمودنی های این آزمایش دانشجویان دانشگاه جنوب شرقی شامل 10 مرد و 10 زن بودند [ 53 ]. همه آزمودنی ها در اطلاعات جغرافیایی مهارت دارند و با طراحی رابط نقشه آشنا هستند و از اثربخشی و نمایندگی آزمایش اطمینان می دهند. سن همه آزمودنی ها بین 22 تا 27 سال با میانگین سنی 75/24 سال و انحراف معیار سنی آزمودنی ها 089/1 بود. هیچ یک از 20 آزمودنی کوررنگ یا ضعیف نبودند و همگی راست دست بودند. هیچ یک از آزمودنی ها سابقه بیماری روانی یا ضربه مغزی نداشتند.

3.2. مواد آزمایشی

برای جمع آوری امواج EEG کم نویز، وظیفه آزمایش در آزمایش EEG باید به گونه ای طراحی شود که خیلی سخت نباشد و تشخیص جهت نمادها وظیفه اصلی است. بنابراین، نمادها در کار آزمایشی باید جهت داشته باشند. با این حال، سطح دریا و اشیاء زیرسطحی در MIL-STD-2525C جهت روشنی ندارند، بنابراین نمادهای اجسام زمینی به عنوان جایگزین برای دستیابی به هدف تحقیق انتخاب شدند.

مطابق با استاندارد نظامی ایالات متحده MIL-STD-2525C، مواد اولیه آزمایشی ایجاد شد، همانطور که در شکل 8 نشان داده شده است.

در آزمایش، سه رنگ اصلی صفحه نمایش LED از HSV انتخاب شد. آنها آبی (H = 240 درجه، S = 100٪، و V = 100٪)، سبز (H = 120 °، S = 100٪، و V = 100٪)، و قرمز (H = 0 °، S = بودند. 100٪ و V = 100٪، و به ترتیب “آبی 2″، “سبز 2” و “قرمز 2” نامگذاری شدند. متعاقباً، با ارجاع به مفهوم آرایش رنگ MCS از فاصله کروما و فاصله ارزش، چهار رنگ به طور تصادفی با درصد تغییرات اشباع و ارزش بر اساس سه رنگ اصلی قبلی انتخاب شدند. در مجموع 15 رنگ (3 + 3 × 4) وجود داشت. همه رنگ ها در محاسبه تفاوت رنگ (ΔE) در نظر گرفته شده اند و کوچکترین ΔE 13.928 است، بزرگتر از حداقل مقدار شناسایی ΔE 3.3 [ 54 ، 55 ]]، اطمینان حاصل کنید که تمایز کافی برای آزمودنی ها وجود دارد تا آنها را متمایز کند. شکل 9 a نام رنگ ها و مقادیر HSV را نشان می دهد. از آنجایی که سیستم رنگ آزمایشگاهی قابلیت انتقال دقیق تری دارد [ 56 ، 57 ، 58 ]، تمام رنگ های انتخاب شده با فرمت HSV در این مرحله به فرمت آزمایشگاهی تبدیل شدند. شکل 9 b مقدار رنگ ها را نشان می دهد.

نقشه زمین “نقشه نظامی” به عنوان پس زمینه آزمایش استفاده شد. در این نوع نقشه ها رنگ اقیانوس با تغییر عمق تغییر نمی کند. این آزمایش برای به دست آوردن زمان جستجو برای نمادهای نظامی انجام شد و حذف عوامل تداخلی مانند قطعات کوچک زمین روی نقشه از اهمیت بالایی برخوردار است. بنابراین، نمودار پس‌زمینه انتخاب‌شده برای این آزمایش به‌گونه‌ای طراحی شد که یک رنگ خالص باشد، یعنی آبی برای منطقه اقیانوسی نقشه زمین. نقشه توپوگرافی استاندارد در نرم افزار Illustrator با استفاده از ابزار نی برای جذب رنگ قسمت اقیانوس و پر کردن مساحت 1920 × 1080 پیکسل برای ایجاد پس زمینه آزمایشی در نرم افزار Illustrator قرار گرفت. مقدار رنگ حالت آزمایشگاهی آبی مورد استفاده در پس‌زمینه L = 85، a = -10، و b = -23 بود، و شکل 10پس زمینه را نشان می دهد.

با توجه به پیشنهادات موجود در MIL-STD-1472، اندازه نمادهای نظامی نشان داده شده بر روی صفحه نمایش را می توان بر اساس معادله زیر محاسبه کرد:

L = (VA) × (D)/(57.3) × (60)،

(1)

که در آن VA پرسپکتیو است که با قوس به واحدها تقسیم می شود، D فاصله بصری بر حسب اینچ و L اندازه جسم بر حسب اینچ است. جدول 1 داده های مرجع اندازه محاسبه شده نمادهای نظامی را نشان می دهد.

با توجه به جدول 1 و مدارک موجود در MIL-STD-1472، توصیه می شود سایز بزرگتر با قوس 40 را انتخاب کنید. این آزمایش با این شرایط راضی بود. در این آزمایش، چشمان افراد 600 میلی متر از صفحه نمایش فاصله داشت. 600 میلی متر به 24.62 اینچ تبدیل شد. و با محاسبه فرمول حداقل طول نمادهای نظامی 6.86 میلی متر تعیین شد. مواد نماد نظامی مورد استفاده در این آزمایش، همگی بر اساس کوتاه‌ترین طول ضلع ۷ میلی‌متری، مطابق با MIL-STD-1472 مقیاس‌بندی شدند، که تضمین می‌کرد آزمودنی‌ها می‌توانند به وضوح مواد را ببینند و همچنین اندازه نمایش معقول را برآورده می‌کردند. نمادها روی نقشه

3.3. فرآیند آزمایشی

آزمودنی ها پس از شستن و خشک کردن موهای خود در آزمایشگاهی با نور ملایم و عایق صدا می نشستند. تجهیزات روشنایی لامپ های فلورسنت هستند که دمای رنگ آنها 6500K است که با معیارهای روشنایی CIE D65 مطابقت دارد. پس از اینکه یک سوژه کلاهک الکترود تمیز را گذاشت، خمیر رسانا به شکاف بین الکترود و پوست سر تزریق شد. پس از اینکه تمام الکترودها انرژی گرفتند، محرک ها بر روی یک صفحه نمایش ال ای دی 21.5 اینچی در مقابل سوژه ارائه شدند که ارتفاع آن با چشمان سوژه برابر بود. سوژه‌ها در یک موقعیت راحت نشسته و چشمانشان روی مرکز صفحه، تقریباً 600 میلی‌متر دورتر از صفحه‌نمایش، قرار گرفتند. محرک ها در مرکز صفحه نمایش با زاویه مشاهده حدود 10 درجه ظاهر می شوند.59 ]. شکل 11 صحنه آزمایشی را توصیف می کند.

قبل از آزمایش رسمی، محتویات و فرآیند آزمایشی برای آزمودنی توضیح داده شد و معیارهای قضاوت نوک پیکان ها نیز توضیح داده شد. رابط محرک ها برای نشان دادن یکی از دو حالت طراحی شده است: یکی با فلش(های) جهت دار، که در آن جهت فقط بالا و پایین است. دیگری بدون هیچ فلش جهت. اگر سوژه نوک پیکان را مشاهده نمی کرد، با فشار دادن کلید فاصله پاسخ می داد. در مقابل، اگر یک نوک پیکان را مشاهده می‌کردند، باید به سرعت جهت نوک پیکان را تعیین می‌کردند و یا کلید «A» را که نشان‌دهنده بالاست، یا کلید «Z» را که نشان‌دهنده پایین است فشار می‌دادند. در طول دوره تمرین، به آزمودنی ها از درستی یا نبودن واکنش هایشان اطلاع داده شد و ده آزمایش تمرینی برای آموزش انجام شد.

آزمایش با استفاده از E-Prime 2.0 طراحی و ارائه شد. این آزمایش شامل سه سری رنگ مختلف به نام‌های آبی، سبز و قرمز بود. با در نظر گرفتن سری آبی به عنوان مثال، شامل پنج نوع آبی انتخاب شده از MCS بر اساس رنگ و مقدار مختلف بود که به آبی 1، آبی 2، آبی 3، آبی 4 و آبی 5 تقسیم شدند. هر رنگ شامل 30 تصویر بود. تحریکات و در مجموع 3 × 5 × 30 = 450 آزمایش از 15 رنگ در کل آزمایش وجود داشت. به عبارت دیگر، هر آزمودنی باید 450 آزمایش را تکمیل می‌کرد و 450 کارآزمایی به سه دور آزمایش با 150 آزمایش در هر دور تقسیم شد.

مواد آزمایشی با رنگ‌های مختلف قرمز، سبز و آبی به طور متناوب و تصادفی ظاهر شدند تا از تأثیر یادگیری ایجاد شده در آزمایش جلوگیری شود. یعنی محرک‌های قرمز، سبز و آبی همگی در هر 150 کارآزمایی ظاهر شدند که در میان آنها 50 آزمایش به‌طور تصادفی برای هر Hue انجام شد. برای هر دور آزمایش، سیستم پخش محرک ها را به حالت تعلیق در می آورد تا آزمودنی ها بتوانند مدت زمان کافی برای استراحت و استراحت داشته باشند. اجتناب از خستگی مفرط یا کسالت روانی می تواند اعتبار عینی داده های تجربی را تضمین کند. کل آزمایش حدود 40 دقیقه طول کشید. (از جمله استراحت) برای هر موضوع.

مؤلفه P300 همیشه از طریق پارادایم آزمایش Oddball کلاسیک یا پارادایم های دیگر، مانند پارادایم یادگیری-تشخیص، پارادایم نشانه سریع و غیره برانگیخته می شود، زیرا یک جزء پیچیده EEG است که با اکثر فرآیندهای شناختی مرتبط است. این مقاله الگوی یادگیری-تشخیص بهبود یافته را اتخاذ کرد و اهداف تشخیص قبل از آزمایش رسمی به آزمودنی‌ها نمایش داده شد تا یاد بگیرند و به خاطر بسپارند.

شکل 12روند آزمایشی یک آزمایش واحد را نشان می دهد. هر آزمایش شامل سه مرحله بود. مرحله 1: صفحه یک نقطه تثبیت متقاطع را در مرکز یک پس زمینه آبی با همان مقدار رنگ حالت آزمایشگاهی (یعنی 85، 10-، 23-) نشان می دهد. این صفحه نمایش به مدت 500 میلی ثانیه دوام می آورد و به سوژه یادآوری می کند که به ناحیه مرکزی صفحه نگاه کند. مرحله 2: یک صفحه محرک در وسط صفحه ظاهر شد که رنگ پس زمینه آن همان مقدار رنگ حالت آزمایشگاهی مرحله 1 بود (یعنی 85، 10-، 23-). اندازه ضلع کوتاه یک نماد نظامی 7 میلی متر بود. آزمودنی ها با توجه به نمادهای نظامی که مشاهده می کردند، انتخاب های مربوطه را روی صفحه کلید انجام دادند. به عبارت دیگر، هنگام مشاهده یک یا چند علامت نظامی با یک فلش رو به بالا، A را فشار می‌دادند، در حالی که Z را برای فلش‌های پایین و Space را برای هیچ فلش فشار می‌دادند. مرحله 3: پس از فشار دادن دکمه، یک رابط صفحه آبی خالی (به عنوان مثال، 85، 10-، 23-) با مدت زمان 500 میلی ثانیه ظاهر شد تا به آزمودنی ها کمک کند احتباس بینایی موقت را حذف کنند. دلیل انتخاب صفحه آبی جلوگیری از تضاد بیش از حد بین صفحه محرک و صفحه انتقال بود که ممکن است بر تنظیم فیزیولوژیکی چشم سوژه تأثیر بگذارد.

3.4. فرضیه

با توجه به مطالعه مولفه P300 در ERP توسط Wei و همکاران. [ 39 ]، همراه با نظریه مهم ارائه شده توسط کوتاس و همکاران، همبستگی محکمی بین مؤلفه P300 و مقدار منابع ذهنی انسانی اشغال شده وجود دارد. به این معنا که دامنه مولفه P300 با منابع ذهنی اشغال شده در عملیات همبستگی مثبت دارد [ 21 ]. به عبارت دیگر، هر چه قدر مطلق دامنه P300 بیشتر باشد، منابع ذهنی انسانی بیشتری توسط رویداد اشغال می شود، که به معنای بار کار برای انسان بیشتر است. برعکس، هرچه مقدار P300 کوچکتر باشد، منابع ذهنی کمتری اشغال می شود و هر چه بار عملیات کمتر باشد، کاربران احساس آرامش بیشتری می کنند [ 23 ]]. نیو و همکاران این موضوع را در یک مطالعه ERP از حافظه نماد تحت فشار زمان تأیید کرد: دامنه P300 با افزایش سختی کار افزایش می‌یابد و تأخیر P300 با دشواری کار همبستگی منفی دارد [ 24 ].

بر اساس پشتوانه نظری فوق، در این آزمایش با محرک هایی با رنگ های مختلف، دامنه و تأخیر P300 جمع آوری شده باید با بیگانگی ارائه شود. دو نشانگر می‌توانند استفاده از منابع ذهنی را که رنگ‌های مختلف نمادها به ارمغان می‌آورند منعکس کنند و تفاوت‌های بار را در کار شناسایی کنند. با تجزیه و تحلیل P300، با ترکیب دقت و زمان واکنش در داده های رفتاری، انتظار می رود که رابطه بین محاسن و معایب رنگ های نمادهای نظامی مورد استفاده برای رابط نقشه ها به دست آید. نتایج تجربی زیر در این مقاله انتظار می رود:

نمادهای نظامی که P300 را با دامنه بزرگ و تأخیر طولانی القا می کنند، منابع شناختی بیشتری را اشغال می کنند، در حالی که P300 با دامنه کوچک و تأخیر کوتاه منابع شناختی کمتری را اشغال می کند.
نمادهای نظامی با ارزش بالا، تشخیص رنگ ضعیفی دارند و عملکرد آنها کمتر از سطح متوسط است. نمادهای نظامی با Chroma پایین و مقدار متوسط بیشتر قابل تشخیص هستند و عملکرد بهتری دارند.

4. نتایج و تجزیه و تحلیل داده ها

4.1. داده های رفتاری

داده های رفتاری به دو شاخص دقت و زمان واکنش اشاره دارد. دقت به نسبت تعداد صحیح دکمه ها نسبت به تعداد کل محرک ها اشاره دارد. به عبارت دیگر دقت = “تعداد صحیح کلیدها” / “تعداد کل محرک ها”. زمان واکنش به زمان بین لحظه ای که سوژه یک محرک را می بیند و لحظه ای که با فشار دادن یک دکمه پاسخ می دهد، اشاره دارد. در این آزمایش، داده های پاسخگوی افراد به عنوان داده های نامعتبر در نظر گرفته شد و داده های دقت و زمان واکنش در E-Prime صادر شد. پس از پردازش و تجزیه و تحلیل داده‌های تجربی با نرم‌افزار Excel و SPSS، میانگین دقت و مقادیر میانگین زمان واکنش 15 رنگ در گروه‌های 3×5 محاسبه شد و نتایج نشان می‌دهد که کمترین دقت از 15 رنگ 96.4 درصد در گروه‌های 3×5 بود. آبی 1،شکل 13 .

15 رنگ در سری های قرمز، سبز و آبی طبقه بندی شدند و داده های زمان واکنش مرتب شدند، همانطور که در شکل 14 نشان داده شده است. در سری آبی، زمان واکنش آبی 1 با میانگین 1712 میلی‌ثانیه طولانی‌ترین زمان بود، در حالی که زمان واکنش آبی 5 با میانگین 1044 میلی‌ثانیه کوتاه‌ترین زمان بود. در میان سری‌های سبز، زمان واکنش سبز 1 با میانگین 1444 میلی‌ثانیه طولانی‌ترین زمان بود، در حالی که زمان واکنش سبز 5 با میانگین 948 میلی‌ثانیه کوتاه‌ترین زمان بود. در سری قرمز، زمان واکنش قرمز 1 با میانگین 1025 میلی‌ثانیه طولانی‌ترین زمان بود، در حالی که زمان واکنش قرمز 4 با میانگین 836 میلی‌ثانیه کوتاه‌ترین زمان بود.

4.2. داده های EEG

قبل از پردازش عددی داده‌های EEG، مصنوعات چشمی ابتدا شناسایی و سپس توسط عملکرد فیلتر نرم‌افزار ASA حذف شدند و سپس امواج EEG اصلی که در آزمایش جستجوی هدف به‌دست آمدند، قطعه‌بندی شدند. محرک های هدف (یعنی تصاویر) به عنوان خط پایه برای تقسیم بندی گرفته شدند، از 200 میلی ثانیه قبل از ارائه محرک ها تا 600 میلی ثانیه بعد از ارائه. پس از آن، امواج EEG هر آزمودنی روی هم قرار گرفته و میانگین‌گیری شد. پس از آن، امواج EEG همه آزمودنی‌ها میانگین‌گیری و به 15 رنگ مختلف طبقه‌بندی شدند.

4.2.1. سری آبی

ابتدا دامنه P300 مورد تجزیه و تحلیل قرار گرفت و مقادیر مطلق دامنه متوسط هر رنگ در سری آبی به ترتیب عبارت بودند از: آبی 4 (4.237 μV) > آبی 2 (3.618 μV) > آبی 5 (3.483 μV) > آبی 1 (3.417 میکروولت) > آبی 3 (3.196 میکروولت).

P300 به طور کلی در لوب جداری رخ می دهد. در این مطالعه، P3، P4، CP1، CP2، Pz، و POz بر اساس انتخاب الکترودها در مطالعه تجربی P300 انجام شده توسط پیشینیان ما [ 24 ، 41 ، 42 ] و اهمیت دامنه هر الکترود انتخاب شدند. در EEG

پس از آن، ANOVA مکرر 5 (آبی: آبی 1، آبی 2، آبی 3، آبی 4، و آبی 5) × 6 (الکترود: P3، P4، Pz، CP1، CP2، و POz) برای دامنه P300 انجام شد. مشاهده می شود که اثر اصلی رنگ آبی معنی دار است، F = 3.592، p = 0.007 < 0.05، و اثر اصلی الکترود معنی دار است، F = 43.969، p = 0.000 < 0.05، در حالی که برهمکنش بین دو معنی دار نیست، F = 0.269، p = 0.999.

شش الکترود را می توان به سمت چپ (یعنی P3 و CP1)، سمت وسط (یعنی Pz و POz) و سمت راست (یعنی P4 و CP2) تقسیم کرد. یک ANOVA مکرر 5 (آبی: آبی 1، آبی2، آبی3، آبی4، و آبی 5) × 3 (ناحیه مغز: چپ، وسط و راست) انجام شد، و واضح است که اثر اصلی رنگ آبی است. معنی دار، F = 3.700، p = 0.006، تأثیر اصلی ناحیه مغز معنی دار است، F = 5.116، p = 0.007، در حالی که هیچ تعامل معنی داری بین این دو وجود ندارد، F = 0.272، p = 0.975.

یک آزمون t زوجی از گروه‌های مختلف افراد آبی در نواحی مختلف مغز نشان داد که در ناحیه چپ مغز، آزمودنی‌ها تفاوت معنی‌داری در دامنه امواج مغزی نمادهای آبی نشان دادند. آزمون t زوجی ناحیه چپ مغز نشان داد که اثر الکترود P3 معنادار بود. بنابراین، الکترود P3 می تواند به عنوان الکترود کلیدی استفاده شود. با توجه به نقشه دامنه روی الکترود P3، می توان دریافت که در پنج رنگ آبی مختلف، تفاوت قابل توجهی در زمان P300 وجود ندارد، همانطور که در شکل 15 نشان داده شده است.

تجزیه و تحلیل تاخیر در گروه آبی انجام شد. در آزمایش جستجوی هدف، تأخیر P300 رابطه زیر را دارد: آبی 3 (0.301 ثانیه) > آبی 4 (0.293 ثانیه) > آبی 2 (0.283 ثانیه) > آبی 1 (0.279 ثانیه) > آبی 5 (0.27 ثانیه).

یک ANOVA تکراری چند عاملی 5 (آبی: آبی 1، آبی 2، آبی 3، آبی 4، و آبی 5) × 6 (الکترود: P3، P4، Pz، CP1، CP2، و POz) برای تأخیر انجام شد. مشاهده می شود که اثر اصلی رنگ آبی معنی دار نیست، F = 1.377، p = 0.242، در حالی که اثر اصلی الکترود معنی دار است، F = 7.721، p = 0.000 < 0.05، و اثر متقابل دو معنی دار نیست، F = 0.824، p = 0.684.

4.2.2. سری سبز

ابتدا قدر مطلق میانگین دامنه هر رنگ با توجه به دامنه P300 تجزیه و تحلیل شد. دامنه میانگین هر رنگ به ترتیب زیر بود: سبز 5 (4.609 μV) > سبز 1 (3.367 μV) > سبز 2 (3.200 μV) > سبز 3 (2.495 μV) > سبز 4 (2.656 μV).

یک ANOVA مکرر 5 (سبز: سبز 1، سبز 2، سبز 3، سبز 4، و سبز 5) × 6 (الکترود: P3، P4، Pz، POz، CP1، و CP2) برای دامنه انجام شد. مشاهده می شود که اثر اصلی رنگ سبز معنی دار است، F = 3.374، p = 0.010 < 0.05، و اثر اصلی الکترود معنی دار است، F = 12.119، p = 0.000 < 0.05، در حالی که برهمکنش بین دو معنی دار نیست، F = 0.465، p = 0.978.

آزمون تی زوجی از اهداف مختلف سبز در نواحی مختلف مغز نشان داد که در نواحی چپ و میانی مغز، آزمودنی‌ها تفاوت معنی‌داری در دامنه امواج مغزی هدف سبز و تفاوت‌های بیشتری در سمت چپ مغز نشان دادند. مناطق. پس از آن، یک آزمون t زوجی از الکترودهای CP1 و P3 انجام شد و می‌توان نتیجه گرفت که دامنه P300 که توسط اهداف سبز ایجاد می‌شود، بیشترین تفاوت را در الکترود P3 دارد. بنابراین، همانطور که در شکل 16 نشان داده شده است، الکترود P3 را می توان به عنوان الکترود کلیدی در نظر گرفت.

با توجه به نقشه دامنه الکترود P3، زمان P300 که در پنج نوع سبز ظاهر شد، تفاوت هایی دارد. در این میان، تفاوت زیادی بین سبز 3 و سبز 1 مشاهده می شود و به این ترتیب، بر تغییر زمان تاخیر سبز 3 و سبز 1 تمرکز شده است.

تأخیر رنگ های مختلف سبز مورد تجزیه و تحلیل قرار گرفت. در آزمایش جستجوی هدف نمادهای سبز، تأخیر P300 رابطه زیر را دارد: سبز 2 (0.371 ثانیه) > سبز 5 (0.362 ثانیه) > سبز 1 (0.358 ثانیه) > سبز 4 (0.354 ثانیه) > سبز 3 (0.354 ثانیه) s).

یک ANOVA مکرر برای 5 (سبز: سبز 1، سبز 2، سبز 3، سبز 4، و سبز 5) × 6 (الکترود: P3، P4، Pz، P7، P8، و POz) برای تاخیر P300 انجام شد. مشاهده می شود که اثر اصلی رنگ سبز معنی دار نیست، F = 1.539، p = 0.191، در حالی که اثر اصلی الکترود معنی دار است، F = 5.287، p = 0.000 < 0.05، و برهمکنش بین این دو. معنی دار نیست، F = 0.944، p = 0.532.

4.2.3. سری قرمز

در مرحله اول، بر اساس تجزیه و تحلیل دامنه P300، میانگین دامنه هر رنگ در سری قرمز به ترتیب: قرمز (2.813 μV) > قرمز 1 (2.698 μV) > قرمز 5 (2.674 μV) > قرمز 2 (2.557) بود. μV) > قرمز 3 (2.488 میکروولت).

یک ANOVA مکرر 5 (قرمز: قرمز 1، قرمز 2، قرمز 3، قرمز 4، و قرمز 5) × 6 (الکترود: P3، P4، Pz، CP1، CP2، و POz) برای دامنه P300 انجام شد. مشاهده می شود که اثر اصلی رنگ قرمز معنی دار نیست، F = 1.431، p = 0.224، در حالی که اثر اصلی الکترود معنی دار است، F = 44.397، p = 0.000 < 0.05، و برهمکنش بین این دو. معنی دار نیست، F = 0.373، p = 0.989.

آزمون t زوجی از اهداف مختلف قرمز در نواحی مختلف مغز نشان داد که در نواحی میانی مغز، آزمودنی‌ها تفاوت معنی‌داری در دامنه امواج مغزی نمادهای قرمز نشان دادند. پس از آن، یک آزمون t زوجی از الکترودهای POz و Pz انجام شد و می‌توان نتیجه گرفت که دامنه P300 ناشی از هدف قرمز بیشترین تفاوت را در الکترود Pz دارد. بنابراین، Pz را می توان به عنوان الکترود کلید، همانطور که در شکل 17 نشان داده شده است، در نظر گرفت.

برای گروه قرمز، تأخیر P300 از ترتیب زیر پیروی کرد: قرمز 1 (0.358 ثانیه) > قرمز 2 (0.357 ثانیه) > قرمز 3 (0.356 ثانیه) > قرمز 5 (0.347 ثانیه) > قرمز 4 (0.345 ثانیه) در آزمایش جستجوی هدف

یک ANOVA مکرر 5 (قرمز: قرمز 1، قرمز 2، قرمز 3، قرمز 4، و قرمز 5) × 6 (الکترود: P3، P4، Pz، P7، P8، و POz) برای تأخیر P300 انجام شد. مشاهده می شود که اثر اصلی رنگ قرمز معنی دار نیست، F = 1.142، p = 0.337، در حالی که اثر اصلی الکترود معنی دار است، F = 4.907، p = 0.000 < 0.05، و برهمکنش بین این دو. معنی دار نیست، F = 1.180، p = 0.271.

5. بحث

5.1. آزمایش رفتار

با توجه به هیستوگرام دقت 15 رنگ، تفاوت معنی داری بین رنگ های مختلف وجود ندارد و مقادیر همگی بیشتر از 96٪ هستند – یعنی نزدیک به 1 – که نشان می دهد کار سختی کمی دارد، که اینطور نبود. قادر به بازتاب مستقیم رابطه بین محاسن و معایب رنگ های نمادهای مختلف نظامی است. بنابراین، مقدار مرجع داده های دقت ضعیف است.

همانطور که از شکل 14 مشاهده می شود، در سری آبی، آبی 1 طولانی ترین زمان واکنش را در آزمایش شناختی داشت که تفاوت قابل توجهی با چهار رنگ آبی دیگر داشت. آبی 2، آبی 3، آبی 4 و آبی 5 تفاوت کمی در زمان واکنش نشان دادند که در این میان آبی 5 کمترین زمان واکنش را نشان داد که نشان می داد آبی 5 بهترین عملکرد را در سری آبی دارد. در سری سبز، سبز 1 بیشترین زمان واکنش را داشت و پس از آن سبز 2. تفاوت معنی داری در زمان پاسخ بین سبز 3، سبز 4 و سبز 5 وجود نداشت که در این میان سبز 5 کمترین زمان واکنش و بهترین عملکرد را نشان داد. در سری سبز در سری قرمز، قرمز 1 طولانی ترین زمان واکنش را در آزمایش شناختی داشت، در حالی که قرمز 2، قرمز 3، قرمز 4 و قرمز 5 تفاوت کمی در زمان واکنش داشتند.

با مقایسه سه رنگ با شماره سریال 1 (یعنی آبی 1، سبز 1، و قرمز 1)، همه آنها رنگ های با ارزشی در MCS هستند و زمان واکنش طولانی تری نسبت به رنگ های دیگر همان Hue داشتند. . در مطالعه چن و همکاران. در سرعت پردازش اطلاعات رنگ، نتیجه مشابهی پیدا شد. یعنی ارزش رنگ بر فرآیندهای شناختی کاربران تأثیر می‌گذارد و نقطه زمانی این تأثیر دیرتر از Hue خود رنگ بود [ 60 ]. مشاهده می شود که در نقشه های وضعیت دریا، عملکرد استفاده از رنگ های با ارزش بالا و همچنین خوانایی ضعیف است. بنابراین در طراحی نقشه باید تا حد امکان از نمادهای رنگی با ارزش بالا اجتناب کرد.

همچنین شایان ذکر است که میانگین زمان واکنش سریال آبی بیشتر از سری سبز و میانگین زمان واکنش سری سبز بیشتر از سری قرمز بود. دلایل بالقوه به شرح زیر است: (1) پس زمینه آزمایشی نقشه سطح دریا است که خود یک رنگ آبی خالص است، بنابراین تفاوت بین نمادهای نظامی آبی و پس زمینه در آزمایش به اندازه کافی آشکار نیست و در نتیجه واکنش طولانی ایجاد می شود. زمان آزمودنی ها در آزمایش رفتاری. پیشنهاد می‌شود هنگام استفاده از رنگ‌ها در رابط نقشه از رنگ‌هایی با اختلاف کمتر بین هدف و پس‌زمینه اجتناب شود. (2) زمان واکنش سری قرمز به طور قابل توجهی کمتر از دو رنگ دیگر است، که به این موضوع مربوط می شود که طول موج قرمز بیشتر احتمال بیشتری برای جلب توجه بصری دارد. علاوه بر این، در زندگی روزمره مردم، آگاهی بالقوه از رنگ قرمز یک اثر هشدار دهنده دارد.52 ]، که در نهایت ممکن است منجر به یک هدف قرمز شود که بتواند به راحتی ادراک و واکنش های قوی تر کاربران را برانگیزد. پیشنهاد می‌شود هنگام طراحی رنگ‌ها برای رابط نقشه، در شرایط خاصی، مانند نشان دادن اشیاء خطرناک، رنگ قرمز ترجیح داده شود. در عین حال، معیارهای استفاده از رنگ ها مانند قرمز و آبی ممکن است خاص و متفاوت در سراسر جهان باشد. رنگ قرمز برای نشان دادن واحدهای دشمن در آمریکا استفاده می شود در حالی که برای نماد طرف خود در چین و روسیه استفاده می شود. هنگام استفاده از چنین رنگ‌هایی، پیشنهاد می‌شود که طراحان تمام قوانین و موقعیت‌ها را به دقت در نظر بگیرند.

5.2. P300

در آزمایش EEG، P300 به عنوان یک جزء معمولی برای تجزیه و تحلیل انتخاب شد که اغلب برای تجزیه و تحلیل در زمینه هایی مانند شناخت عصبی و طراحی عصبی استفاده می شود. به عنوان مثال، در گروهی از آزمایشات در مورد تأثیر رنگ بر شناخت، حسن و همکاران. اجزای کلاسیک P300 را اعمال و تجزیه و تحلیل کرد [ 61 ]. در این مقاله، P300 مطابق با روش‌های ارزیابی جریان اصلی در این زمینه انتخاب شد. با توجه به پیشنهادات بسیاری از محققین [ 62 ، 63 ، 64 ]، میانگین دامنه P300 با افزایش منابع توجه افزایش می یابد که مبنای کلی ارزیابی و انتخاب بهترین رنگ در این آزمایش بود.

پنج رنگ آبی مختلف همگی باعث پتانسیل P300، عمدتاً در نیمکره راست مغز می‌شوند. آزمون t زوجی نشان داد که دامنه الکترود P3 تأثیر قابل توجهی بر سایر الکترودها دارد. در مطالعه EEG وظایف تطبیق رنگ که توسط شو و دینگ انجام شد، الکترود P3 نیز به دلیل تغییر دامنه آن برای تحقیقات بیشتر انتخاب شد و در نهایت به این نتیجه رسید که کاهش مشاهده شده دامنه P3 با تعارض معنایی مرتبط است. در فرآیند تطبیق رنگ [ 65]، که به طور قابل توجهی با الکترود P3 به دست آمده در این مقاله سازگار بود. در این آزمایش، دامنه و تأخیر پنج نوع مختلف آبی تفاوت غیرعادی نشان نداد، در حالی که اثرات اصلی آشکار بود، که می تواند توضیح دهد که چقدر فضای توجه بصری توسط رنگ های مختلف اشغال شده است. همانطور که از دامنه مشاهده می شود، آبی 3 کمترین منابع شناختی را اشغال می کند، پس از آن آبی 1، در حالی که آبی 4 منابع شناختی بیشتری را اشغال می کند.

پنج رنگ سبز مختلف همگی اجزای بالقوه P300 را تولید کردند که عمدتاً در ناحیه چپ مغز توزیع می شوند. شکل موج هایی که توسط پنج رنگ سبز ایجاد شده بودند مشابه بودند، بدون هیچ گونه ناهنجاری آشکار، در حالی که اثرات اصلی آشکار بودند، که نشان می دهد چقدر فضای توجه بصری توسط رنگ های مختلف اشغال شده است. در این میان دامنه P300 گروه سبز 4 کم و تأخیر کوتاه است که نشان می دهد رنگ سبز 4 بار ذهنی نسبتا کمی دارد و مزیت بهتری دارد. با این حال، P300 تولید شده توسط سبز 1 و سبز 5 دارای دامنه بزرگ و تاخیر طولانی است که منابع ذهنی زیادی را اشغال می کند و در مورد تطبیق رنگ در رابط نقشه توصیه نمی شود.

پنج رنگ قرمز مختلف، همگی اجزای بالقوه P300 را که عمدتاً در ناحیه میانی مغز قرار دارند، تداعی می‌کنند. در آزمون t زوجی ، دامنه مولفه P300 که توسط گروه قرمز ایجاد می‌شد، بیشتر روی الکترود Pz معنی‌دار بود. یه و همکاران پیشنهاد کرد که تحریک هدف ترکیبی رنگ اثرات قابل توجهی بر C3 و CZ مرکزی و الکترودهای جداری P3، Pz و P4 دارد [ 28 ]]، که با الکترودهای قابل توجه نشان داده شده در این مقاله مطابقت دارد. در میان آنها، قرمز 3 دارای کمترین دامنه است که نشان می دهد منابع شناختی کمتری را اشغال می کند و انتخاب بهینه است. با این حال، دامنه و تأخیر قرمز 1 هر دو کمتر از سطح متوسط گروه است. بنابراین، قرمز 1 برای طراحی نمادها برای استفاده در رابط نقشه توصیه نمی شود.

با این حال، به دلیل برخی مشکلات در این روش اندازه گیری، یافته های فوق در P300 باید با احتیاط برخورد شود. به عنوان مثال، عدم دقت تجزیه و تحلیل شکل موج EEG و تفاوت های کوچک ناشی از میانگین سختی کارها منجر به خطا در تجزیه و تحلیل اجزای P300 می شود [ 66 ]. علاوه بر این، Wicke و همکاران. دریافتند که ERP ممکن است با تغییر روشنایی یک محرک تغییر کند. هر چه روشنایی بیشتر باشد، تأخیر کوتاه‌تر است و تفاوت روشنایی که توسط اصل لومینسانس صفحه‌نمایش ایجاد می‌شود، تأثیر بالقوه‌ای بر آزمایش دارد [ 67 ].

علاوه بر این، توالی رنگ بهینه به دست آمده از داده های رفتاری لزوماً با توصیه های حاصل از نتایج EEG مطابقت ندارد. ایکر از EEG برای مطالعه رنگ ها استفاده کرد و به این نتیجه رسید که نتایج مربوط به شاخص های ERP را نمی توان با تفاوت های اساسی در عملکرد رفتاری توضیح داد [ 68 ]]. این به طور بالقوه مربوط به تفاوت های معنایی است که توسط رنگ های مختلف ایجاد می شود. مواد این آزمایش بر اساس نمادهای نظامی در محیط میدان جنگ بود. سبز، آبی و قرمز توسط افراد مختلف با تجربیات شخصی متفاوت معناهای متفاوتی داده می شود که در نتیجه تفاوت های فردی ایجاد می شود. گان و همکاران از فناوری ERP برای بررسی اینکه آیا رنگ های مختلف بر کلمات مرتبط با اخلاق تأثیر می گذارند یا خیر استفاده کرد. نتایج نشان داد که وقتی مردم کلمات غیراخلاقی را قضاوت می کنند، کلمات سبز بیشتر از کلمات قرمز یا آبی طول می کشد. بنابراین، استنباط می شود که ارتباط استعاری بین اطلاعات سبز و اخلاقی منجر به زمان های مختلف پردازش اطلاعات ارائه شده توسط ERP در مقایسه با نتایج تجربی تحلیل رفتاری می شود [ 69 ]]. بنابراین، این مقاله یک روش مرتب‌سازی را پیشنهاد می‌کند که داده‌های EEG را به عنوان شاخص مرجع اصلی و داده‌های رفتاری را به عنوان شاخص مرجع ثانویه می‌گیرد تا بهترین رنگ را انتخاب کند.

5.3. روش مرتب سازی و انتخاب رنگ

از منظر بهینه سازی تطبیق رنگ و تئوری شناختی، رابطه بهینه سازی داده های تجربی تحت هر روش تطبیق رنگ به شرح زیر است: هر چه دامنه P300 کمتر باشد، رنگ بهتر است. هرچه تاخیر P300 کوتاهتر باشد، رنگ بهتر است. هر چه زمان واکنش کوتاه تر باشد، رنگ بهتر است. و هرچه دقت بالاتر باشد، رنگ بهتر است. 15 رنگ بر اساس رنگ به سه گروه تقسیم شدند و پنج رنگ در هر گروه با توجه به چهار شاخص مختلف داده های تجربی از خوب به بد رتبه بندی شدند.

شکل 18 رتبه بندی چهار شاخص رنگ آبی را نشان می دهد. چیدمان از چپ به راست نشان دهنده رابطه خوب به بد است. در فرآیند بهینه‌سازی، رتبه‌بندی دو شاخص P300 ابتدا میانگین گرفته شد، مانند آبی 5 که در دامنه P300 با «عادلانه» رتبه سوم و در تأخیر P300 با «بهترین» رتبه اول را دارد. بنابراین، رتبه بندی اجزای آبی 5 P300 “خوب” است. بقیه را می توان به همین ترتیب انجام داد. مشخص شده است که رتبه های آبی 1 و آبی 5 با درجه “خوب” موازی هستند. با مقایسه زمان واکنش آبی 1 و آبی 5 می توان مشاهده کرد که آبی 5 عملکرد بهتری دارد. در نتیجه، آبی 5 از سری آبی بهینه سازی می شود. شکل 19 فرآیند بهینه سازی را نشان می دهد.

شکل 20 رتبه بندی چهار شاخص رنگ سبز را نشان می دهد. با همان روشی که در سری آبی استفاده می شود، مشخص می شود که سبز 3 و سبز 4 دارای درجه یکسانی هستند که بین “بهترین” و “خوب” است. علاوه بر این، رتبه سبز 4 در زمان واکنش بهتر از سبز 3 است. بنابراین، سبز 4 به عنوان بهترین در سری سبز انتخاب می شود. شکل 21 فرآیند بهینه سازی را نشان می دهد.

شکل 22 رتبه بندی چهار شاخص رنگ سبز را نشان می دهد. با همان روشی که در بالا استفاده شد، به این نتیجه رسیدیم که قرمز 3 در رتبه “خوب” قرار می گیرد، در حالی که قرمز 5 بین “عادلانه” و “خوب” قرار می گیرد، به این معنی که قرمز 3 بهتر از قرمز 5 در شاخص میانگین P300 است. مطابق با اصل اولویت تحقیق EEG، که دیگر از مرتب‌سازی داده‌های رفتاری استفاده نمی‌کند، قرمز 3 به عنوان بهترین در سری قرمز انتخاب می‌شود. فرآیند بهینه سازی در شکل 23 نشان داده شده است .

به طور خلاصه، آبی 5 به عنوان رنگ بهینه در سری آبی انتخاب شده است، با مقدار Lab برابر با L = 39، a = 20، و b = -49. در سری سبز، سبز 4 به عنوان رنگ بهینه انتخاب می شود، با مقدار Lab 80 = L، a = -72، و b = 72. در سری قرمز، قرمز 3 به عنوان رنگ بهینه انتخاب می شود، با یک Lab. مقدار L = 20، a = 41، و b = 28.

6. آزمایش تأیید بر اساس مقیاس ناسا-TLX

مقیاس ناسا-TLX اغلب برای ارزیابی بارهای فیزیولوژیکی و ذهنی کاربران در هنگام انجام یک کار خاص استفاده می شود، بنابراین منعکس کننده دشواری و بار کار مذکور است [ 70 ]]. این شامل شش بعد است، یعنی تقاضای ذهنی (MD)، تقاضای فیزیولوژیکی (PD)، تقاضای زمانی (TD)، سطح تلاش (EL)، سطح عملکرد (PL)، و سطح سرخوردگی (FL). پس از اینکه کاربران یک کار را انجام دادند، این مقیاس را با توجه به احساسات ذهنی خود مطابق با شش بعد پر می کنند. نوار مقیاس در سمت چپ نشان دهنده بار کار کم است، در حالی که سمت راست نوار نشان دهنده بار کار بالا است. با توجه به نیازهای تحقیق می توان روش های امتیازدهی مانند هفت سطح، مرتبه 9 سطح یا 100 امتیاز را تعیین کرد. هر چه مقدار کوچکتر باشد، بار کاربر کمتری را نشان می دهد. هرچه این مقدار بزرگتر باشد، بار کاربر بالاتری را نشان می دهد.

آزمودنی‌های این آزمایش تأییدی، فارغ‌التحصیلان یا فارغ‌التحصیلان دانشگاه جنوب شرقی، شامل 15 مرد و 15 زن بودند. همه افراد بین 22 تا 27 سال سن داشتند و میانگین سنی آنها 24.3 بود. انحراف معیار سن آزمودنی ها 135/1 بود. هیچ آزمودنی کوررنگ یا ضعیف نبود، همگی راست دست بودند و همگی کاربران متخصص و آشنا با سیستم های GIS بودند.

با اعمال رنگ های آبی 5، سبز 4 و قرمز 3 در طراحی رنگی رابط یک نقشه از نمادهای نظامی، سه رابط نقشه با نمادهای نظامی مختلف در حین استفاده از نرم افزار Illustrator ترسیم شد. همانطور که در شکل 24 نشان داده شده است، سپس رنگ آبی به عنوان مثال در نظر گرفته شد .

در آزمایش تأیید، 30 نفر برای تکمیل دو کار مورد نیاز بودند. در کار اول، از آزمودنی‌ها خواسته شد تا جهت نمادهای نظامی مختلف را در کادر سفید نقطه چین روی نقشه شناسایی کنند. در کار دوم، پس از شناسایی، آزمودنی ها باید تعداد نمادهای نظامی را در هشت جهت بالا، پایین، چپ، راست، بالا راست، پایین راست، چپ بالا و پایین چپ گزارش می کردند. پس از اتمام کار، مقیاس توسط آزمودنی‌ها تکمیل شد تا شش بعد در مقیاس ناسا-TLX را ارزیابی کرده و بازخورد بدهند. شکل 25 شکل مقیاس را نشان می دهد.

پس از اتمام کار، همه آزمودنی ها پرسشنامه مقیاس ناسا-TLX را پر کردند. در آزمایش تأیید، در مجموع 30 پرسشنامه مقیاس ارسال شد و همه 30 پرسشنامه تکمیل شدند. بنابراین، میزان تکمیل هر مقیاس 100 درصد بود که همه پرسشنامه‌های معتبر بودند. شکل 26 نتایج را پس از وارد کردن 30 گروه داده به نرم افزار SPSS برای تجزیه و تحلیل و ترسیم نمودار جعبه نشان می دهد.

در رابط نقشه با نمادهای نظامی رنگ آبی 5، امتیاز کاربران از ابعاد شش گانه حدود 20 است و داده های غیرعادی به صورت نقاط پراکنده در شکل مشخص شده اند، همانطور که از شکل 26 مشاهده می شود. . میانه هر بعد کمتر از 20 است که به محدوده سختی کار کم تعلق دارد و نشان می دهد که کاربران از رنگ آبی 5 برای نمادهای نظامی راضی هستند. بنابراین، می توان تأیید کرد که آبی 5 دارای بار کاری ذهنی پایینی است و این رنگ دارای ارزش مرجع زیادی است.

به همین ترتیب، در رابط نقشه با نمادهای نظامی پس از آن رنگ سبز 4، امتیاز شش بعدی کاربران حدود 30 است و داده های غیرعادی به صورت نقاط پراکنده در شکل مشخص شده اند. میانه و ربع هر بعد بین 20 تا 40 است که به محدوده سختی کار متوسط تا کم تعلق دارد، که نشان می دهد کاربران از رنگ 4 سبز برای نمادهای نظامی نسبتاً راضی هستند. بنابراین، می توان تأیید کرد که سبز 4 دارای بار کاری ذهنی متوسط تا کم است و این رنگ دارای مقدار مرجع متوسط است.

در نهایت در رابط نقشه با نمادهای نظامی رنگ قرمز 3 امتیاز شش بعدی کاربران حدود 20 است و داده های غیرعادی به صورت نقاط پراکنده در شکل مشخص شده است. میانه هر بعد کمتر از 20 است که مربوط به محدوده سختی کار کم است که نشان می دهد کاربران از رنگ قرمز 3 برای نمادهای نظامی رضایت دارند. بنابراین، می توان تأیید کرد که رنگ قرمز 3 دارای بار کاری ذهنی پایینی است و این رنگ دارای ارزش مرجع زیادی است.

7. نتیجه گیری

این مقاله رابطه تطابق رنگ بین پس‌زمینه و نمادهای نظامی نقشه‌های وضعیت دریا را مورد مطالعه قرار داد. با مشارکت 20 نفر، بر اساس تجزیه و تحلیل دامنه و تأخیر مؤلفه P300 در داده های تجربی EEG و ارزیابی جامع داده های رفتار همجوشی، همراه با یک آزمایش تأیید معتبر، نتایج زیر حاصل می شود:

(1) اجزای P300 در EEG توسط رنگ‌های مختلف نمادهای نظامی القا می‌شوند، که در میان آن‌ها دامنه P300 کوچک‌تر است و زمانی که رنگ Chroma کمتر است، تأخیر کوتاه‌تر است. بنابراین، تجربه کاربری و کارایی رنگ‌های Chroma پایین‌تر از رنگ‌های Chroma بالا بهتر است. تغییرات جزء P300 که توسط سه رنگ مختلف ایجاد می شود، به طور قابل توجهی بر روی الکترودهای P3 و Pz واقع در لوب جداری منعکس می شود.

(2) دامنه موج P300 ناشی از نمادهای نظامی نقشه با رنگ های با ارزش بالا بیشتر است و تأخیر طولانی تر است که نشان دهنده عملکرد ضعیف است. بر اساس داده‌های EEG، همراه با داده‌های رفتاری، مقادیر رنگ بهینه رنگ‌های آبی، سبز و قرمز به شرح زیر ارائه می‌شوند: آبی با L = 39، a = 20، و b = -49. سبز از L = 80، a = -72، و b = 72. و، قرمز از L = 20، a = 41، و b = 28.

(3) نتیجه گیری بالا برای طراحی سه رابط آزمایشی استفاده شد. آزمایش تأیید، که توسط مقیاس NASA-TLX ارزیابی شد، نشان داد که سه رنگ بهینه ذکر شده در بالا، بار وظیفه کمتری دارند، که ثابت می‌کند که ارزش کاربردی در نقشه‌ها دارند.

8. کار آینده

هنوز در این مطالعه کاستی هایی وجود دارد: به عنوان مثال: (1) انتخاب رنگ ها دارای محدودیت هایی است. هنگام در نظر گرفتن پیچیدگی کار آزمایش EEG، تنها چند رنگ معمولی از MCS استفاده شد. بنابراین، می توان رنگ های بیشتری را برای تحقیقات آینده انتخاب کرد. (2) می توان از تنوع بیشتری از نمادهای نظامی استفاده کرد، بنابراین دشواری کار را افزایش داد و تمایز بین نتایج تجربی رنگ های مختلف را بیشتر بهبود بخشید. فقط نمادهای نظامی جهت دار انتخاب شدند. ابعاد دیگر مانند اندازه خط و سبک در نظر گرفته نشد که می تواند در آینده گسترش یابد. (3) اکثر آزمودنی ها دانشجویان فارغ التحصیل بودند، فاقد نظرات کارشناسان متخصص در رابط نقشه های موقعیت. (4) هنگام استفاده از فناوری ERP برای ارزیابی رنگ نمادهای نظامی مورد استفاده در نقشه ها، رنگ های آبی، سبز و قرمز رنگ Hue باعث ایجاد اجزای مختلف EEG می شوند. به طور خاص، رنگ های قرمز نه تنها باعث مولفه P300 می شوند، بلکه اجزای آشکار N200 نیز در آزمایش ظاهر می شوند. بنابراین، پیشنهاد می شود که اجزای خاص تولید شده توسط رنگ های مختلف باید توسط محققان بعدی در مطالعات مربوطه مورد مطالعه قرار گیرد.

منابع

جیانگ، جی جی. وانگ، YQ; ژانگ، ال. وو، دی کیو; لی، ام. زی، تی. لی، کامپیوتر; دای، ال سی؛ لی، پی. شی، XY; و همکاران تحقیق مدل قابلیت اطمینان شناختی برای رابط دیجیتالی پیچیده انسان و کامپیوتر سیستم صنعتی Saf. علمی 2018 ، 108 ، 196-202. [ Google Scholar ] [ CrossRef ]
Ulf Ahlstrom، LA قابلیت استفاده رنگ در نمایشگرهای کنترل ترافیک هوایی. هوم عوامل ارگون. Soc. آنو. ملاقات. Proc. 2005 ، 49 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چیانگ، YY; لیک، اس. نظری، NH; مقدم، س. Tan, TX ارزیابی تأثیر کیفیت گرافیکی بر تشخیص خودکار متن در نقشه های دیجیتال. محاسبه کنید. Geosci. 2016 ، 93 ، 21-35. [ Google Scholar ] [ CrossRef ]
لی، ال. هاسگاوا، ک. نی، آی. تاناکا، اس. تجسم شفاف داده‌های ابر نقطه‌ای و تصویر پس‌زمینه عکاسی برای دارایی‌های میراث فرهنگی ملموس. ISPRS Int. Geo-Inf. 2019 ، 8 ، 343. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بولهیک، ال. بیگنون، آ. سیلون، اف. مورینو، تی. ریچارد، جی. بویلون، جی.-ف. اثرات کدهای رنگ مورد استفاده بر HMI نظارت دریایی بر حجم کار ذهنی و بازیابی اطلاعات: آزمایش‌هایی با افراد تازه کار و متخصص. بین المللی J. Ind. Ergon. 2018 ، 67 ، 180-191. [ Google Scholar ] [ CrossRef ]
یانگ، CN مطالعه و کاربرد رابط سبک طراحی مسطح بر اساس اثر روانشناختی رنگ. دانشگاه پلی تکنیک شیان 2016. در دسترس آنلاین: https://kns.cnki.net/kns/detail/detail.aspx?FileName=1016094262.nh&DbName=CMFD2016. (در 16 مه 2020 قابل دسترسی است).
خورشید، WTMRJ; Qin، SY; Ai، X. شو، جی. Hou، YP; Zhang، GY استفاده از روش تطبیق رنگ بر اساس اشتقاق تصویر در طراحی رابط برنامه. میکروکامپیوتر. Appl. 2017 ، 33 ، 22-25. [ Google Scholar ]
تیان، جی. پنگ، ک. جیا، اف. Xia, Q. مفهوم نماد-مورفم و کاربرد آن در طراحی نمادهای نقشه. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ژئوانفورماتیک 2013، کای فنگ، چین، 20 تا 22 ژوئن 2013. [ Google Scholar ]
شولز، RW; عدم قطعیت لو، YM در داده‌های جغرافیایی روی نقشه‌های دو متغیره: بررسی ترجیح تجسم و تصمیم‌گیری. ISPRS Int. Geo-Inf. 2014 ، 3 ، 1180-1197. [ Google Scholar ] [ CrossRef ]
آکچای، او. آوسار، EO; اینالپولات، م. Genc، L. Cam, A. ارزیابی پارامترهای تقسیم بندی برای طبقه بندی پوشش زمین مبتنی بر شی با استفاده از تصاویر رنگی مادون قرمز. ISPRS Int. Geo-Inf. 2018 ، 7 ، 424. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شیو، جی. فرانسیس، جی. انتخاب رنگ‌ها برای نمادهای نمایش نقشه با استفاده از مدل‌های جستجوی تصویری. هوم عوامل 2013 ، 55 ، 373-396. [ Google Scholar ] [ CrossRef ]
اسکوپلیتی، ا. Stamou, L. خدمات نقشه آنلاین: کارتوگرافی معاصر یا فرهنگ نقشه برداری جدید؟ ISPRS Int. Geo-Inf. 2019 ، 8 ، 215. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لی، دبلیو. چن، ی. کیان، ال. لیو، ایکس. مکانیزم طراحی نماد نقشه شخصی بر اساس زبانشناسی. Acta Geod. کارتوگر. گناه 2015 ، 44 ، 323-329. [ Google Scholar ]
تیان، جی. جیا، اف. Xia، Q. Wu, J. روش طراحی نمادهای نقشه سلسله مراتبی مبتنی بر معنایی. J. Geo-Inf. علمی 2012 ، 14 ، 736-743. [ Google Scholar ] [ CrossRef ]
اومز، ک. دی مایر، پ. Fack, V. تجزیه و تحلیل الگوهای حرکتی چشم برای بهبود طراحی نقشه. در مجموعه مقالات AutoCarto 2010، کارتوگرافی و جامعه اطلاعات جغرافیایی (CaGIS)، اورلاندو، FL، ایالات متحده آمریکا، 15-18 نوامبر 2010. جلد 38. [ Google Scholar ]
کوئلتکین، ا. بریچتووا، آ. گریفین، آل. رابینسون، AC; ایمهوف، ام. پتیت، سی. پیچیدگی ادراکی نقشه‌های خاک-منظر: ارزیابی کاربر از سازماندهی رنگ در طرح‌های افسانه‌ای با استفاده از ردیابی چشم. بین المللی جی دیجیت. زمین 2017 ، 10 ، 560–581. [ Google Scholar ] [ CrossRef ]
لیو، ایکس. Chen, Y. طراحی قاب برای نماد نقشه نقطه‌ای بر اساس آزمایش حرکت چشم. جی. ژئومات. علمی تکنولوژی 2016 ، 33 ، 644-649. [ Google Scholar ]
بابلونی، ف. بابلونی، سی. کاردوچی، اف. فتورینی، ال. آنلو، سی. اونوراتی، پ. Urbano، A. EEG با وضوح بالا: یک روش جدید محو کردن فضایی وابسته به مدل با استفاده از مدل سر سوژه ساخته شده با MR به شکل واقعی. الکتروانسفالوگر. کلین نوروفیزیول. 1997 ، 102 ، 69-80. [ Google Scholar ] [ CrossRef ]
رحم، بی. قیصر، جی. Unterrainer، JM; سیمون، جی. Bledowski، C. fMRI شناسایی تشخیص حافظه کاری بصری. Neuroimage 2014 ، 90 ، 413-422. [ Google Scholar ] [ CrossRef ]
پری، RL; برچیچی، م. بیانکو، وی. کوئینزی، اف. اسپینلی، دی. دی روسو، F. بار ادراکی در تصمیم گیری: نقش جزیره قدامی و نواحی بصری. مطالعه ERP Neuropsychologia 2019 ، 129 ، 65-71. [ Google Scholar ] [ CrossRef ]
کوتاس، م. مک کارتی، جی. دانچین، ای. افزایش زمان‌سنجی ذهنی – P300 به عنوان اندازه‌گیری زمان ارزیابی محرک. Science 1977 ، 197 ، 792-795. [ Google Scholar ] [ CrossRef ]
نیو، YF; Xue, CQ; ژو، XZ; ژو، ال. زی، ی. وانگ، هی. تانگ، WZ; وو، وای؛ گوا، کیو. جین، تی. کدام یک برای خلبانان جنگنده تحت دشواری های مختلف پرواز برجسته تر است: هشدار بصری یا هشدار شفاهی؟ بین المللی J. Ind. Ergon. 2019 ، 72 ، 146-157. [ Google Scholar ] [ CrossRef ]
گائو، تجسم داده‌ها تحقیق بار شناختی بر اساس پایانه موبایل ERP/EEG . دانشگاه Donghua: شانگهای، چین، 2018. [ Google Scholar ]
نیو، ی. ژو، سی. لی، ایکس. لی، جی. وانگ، اچ. Jin, T. تحقیق در مورد حافظه نماد تحت فشارهای زمانی مختلف و مقادیر نماد بر اساس پتانسیل مربوط به رویداد. J. دانشگاه جنوب شرقی 2014 ، 30 ، 45-50. [ Google Scholar ]
چن، WWW; Fang, Z. مطالعه شخصیت‌های شخصیتی، وضعیت سلامت روانی و P300 شنوایی در خلبانان. کلین الکتروانسفالول 1997 ، 06 ، 226-228. [ Google Scholar ]
تحلیل ژانگ، جی ال بر استرس ذهنی خلبانان با شخصیت های متفاوت در پرواز شبیه سازی شده . دانشکده پزشکی چینی PLA: شانگهای، چین، 2013. [ Google Scholar ]
جین، تی. ژو، سی. وانگ، اچ. Niu, Y. تحقیق در مورد ارزیابی روش های آگاهی از موقعیت رابط های گرافیکی دیجیتال. چانه. J. Eng. دس 2014 ، 21 ، 87-91. [ Google Scholar ]
بله، Y.-Y. لی، دی.-اس. کو، ی.-اچ. ترکیب رنگ و زمان نوردهی بر روی خوانایی و پاسخ EEG نماد ارائه شده در ترمینال نمایش بصری. نمایش 2013 ، 34 ، 33-38. [ Google Scholar ] [ CrossRef ]
ژائو، ZGLJL؛ وانگ، ک. مفهوم، ساختار و کارایی ارزیابی وضعیت میدان نبرد. J. CAE 2010 ، 5 ، 226-230. [ Google Scholar ]
یوان، KSZRQ؛ وانگ، YJ; لو، با مطالعه مفاهیم بنیادی و سیستم موضوعی نقشه و کارتوگرافی مدرن. Geo-Inf. علمی 2007 ، 9 ، 100-108. [ Google Scholar ]
لیو، LYYF؛ Ma، YR ساخت ذخیره‌گاه دریایی بوهای از دیدگاه تمدن زیست‌محیطی. قبیله دونگ یو. 2013 ، 34 ، 33-35. [ Google Scholar ]
وزارت دفاع (ایالات متحده آمریکا). MIL-STD-2525C، نمادهای جنگی رایج. در استاندارد رابط ؛ DOD: واشنگتن، دی سی، ایالات متحده آمریکا، 2008. [ Google Scholar ]
Ma, SHYZ کاربرد رنگ در ارگونومی. علمی تکنولوژی Inf. 2009 ، 24 ، 70. [ Google Scholar ]
QI یونگ، XY-f. تحقیق در مورد کاربرد سیستم رنگی Munsell در نمایشگر تصویر LED. Adv. توزیع 2012 ، 140 ، 171-175. [ Google Scholar ]
خیمنز، آر. ردوندو، بی. مولینا، ر. آنجل مارتینز-دومینگو، ام. هرناندز-آندرس، جی. Vera, J. اثرات کوتاه مدت ترکیب رنگ متن-پس زمینه بر پویایی پاسخ سازگار. Vis. Res. 2020 ، 166 ، 33-42. [ Google Scholar ] [ CrossRef ]
پراساد، DK; Wenhe, L. معیارها و آمار فراوانی وقوع متامریسم در دوربین های مصرف کننده برای صحنه های طبیعی. ج. انتخاب Soc. صبح. A-Opt تصویر علمی Vis. 2015 ، 32 ، 1390–1402. [ Google Scholar ] [ CrossRef ]
ایکدا، م. یاگوچی، اچ. Sagawa، K. توابع روشنایی-بازده روشنایی برای میدان های 2 درجه و 10 درجه. ج. انتخاب Soc. صبح. 1982 ، 72 ، 1660-1665. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Trezona، PW مشتق از توابع تطبیق رنگ CIE 10 درجه XYZ 1964 و کاربرد آنها در نورسنجی. رنگ Res. Appl. 2001 ، 26 ، 67-75. [ Google Scholar ] [ CrossRef ]
وی، JHLYJ نظریه و فناوری پتانسیل های مرتبط با رویداد . انتشارات علمی: پکن، چین، 2010; صص 52-55. [ Google Scholar ]
کلیفورد، ای. هولمز، ای. دیویس، IRL؛ فرانکلین، الف. دسته‌های رنگی بر درک رنگ قبل از توجه تأثیر می‌گذارند. Biol. روانی 2010 ، 85 ، 275-282. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
آکسنر، ام. Rosentreter، ET; هیوارد، WG; کوربالیس، خطاهای پیش‌بینی PM در تقسیم‌بندی سطح، مستقل از ویژگی‌های کار و سطح، در منفی بودن عدم تطابق بصری منعکس می‌شوند. J. Vis. 2019 , 19 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Wiens Stefan، vBE Szychowska Malina، Eklund Rasmus. بار ادراکی بصری بر منفی بودن عدم تطابق فرکانس تأثیر نمی گذارد. جلو. روانی 2019 ، 10 ، 1970. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
مرد، AG; O’Shea، RP; شروگر، ای. مولر، دی. روبر، یو. Widmann, A. جستجو برای منفی بودن عدم تطابق بصری واقعی (vMMN): نشانه‌های بالقوه مرتبط با رویداد برای تشخیص انحراف برای ویژگی‌های بصری سطح پایین. سایکوفیزیولوژی 2020 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دیلوگو، اف. بروور، اچ. بازیابی واژگانی نمایه پتانسیل‌های مربوط به رویداد MW (N400) و یکپارچه‌سازی (P600) در طول درک زبان. شناخت مغز. 2019 , 135 . [ Google Scholar ] [ CrossRef ]
لیو، بی. وو، جی. منگ، ایکس. Dang، J. ارتباط بین مدت زمان اولیه و اثر آغازگر معنایی: شواهدی از اثر N400. علوم اعصاب 2013 ، 238 ، 319-326. [ Google Scholar ] [ CrossRef ]
راما، پ. سیری، ال. Serres, J. توسعه سیستم زبان واژگانی- معنایی: اثر آغازگر N400 برای کلمات گفتاری در کودکان 18 و 24 ماهه. Brain Lang. 2013 ، 125 ، 1-10. [ Google Scholar ] [ CrossRef ]
Proverbio, AM; اجزای Riva، F. RP و N400 ERP منعکس کننده نقض معنایی در پردازش بصری اعمال انسان هستند. نوروسک. Lett. 2009 ، 459 ، 142-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
موریسون، سی. Taler، V. ERP اثرات سن و دوزبانگی بر عملکرد حافظه کاری را اندازه گیری می کند. Neuropsychologia 2020 , 143 , 107468. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هان، تی. Xiu، LC; یو، جنرال موتورز تأثیر موقعیت رسانه بر اثر حافظه افراد – یک مطالعه ERP. محاسبه کنید. هوم رفتار 2020 , 104 . [ Google Scholar ] [ CrossRef ]
برتی، اس. هایکاک، بی. آدلر، جی. کشاورز، ب. پردازش اولیه قشر مغزی تحریک بصری القاکننده انتقال که توسط پتانسیل‌های مغزی مرتبط با رویداد (ERP) اندازه‌گیری می‌شود. نمایش 2019 ، 58 ، 56-65. [ Google Scholar ] [ CrossRef ]
لیو، QA; لی، اچ. جنیفر، ال سی؛ تیتر، سی. تائو، WD; ژانگ، QL; اثرات سرکوب زبان Sun، HJ بر درک طبقه‌بندی رنگ همانطور که از طریق ERP مشهود است. Biol. روانی 2010 ، 85 ، 45-52. [ Google Scholar ] [ CrossRef ]
مارتین، FMD؛ هاوک، او. Pulvermuller, F. ویژگی طبقه بندی در پردازش کلمات مرتبط با رنگ و فرم: یک مطالعه ERP. Neuroimage 2006 ، 29 ، 29-37. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Picton، TW; بنتین، اس. برگ، پی. دانچین، ای. Hillyard، SA; جانسون، آر. میلر، GA; ریتر، دبلیو. روچکین، دی اس؛ راگ، MD؛ و همکاران دستورالعمل‌هایی برای استفاده از پتانسیل‌های مرتبط با رویداد انسانی برای مطالعه شناخت: استانداردهای ثبت و معیارهای انتشار. Psychophysiology 2000 ، 37 ، 127-152. [ Google Scholar ] [ CrossRef ]
راگین، جی سی. جانسون، WM پذیرش رنگ مواد ترمیمی مستقیم دندان توسط ناظران انسانی. رنگ. Res. Appl. 2000 ، 25 ، 278-285. [ Google Scholar ] [ CrossRef ]
Craig, JMP Restorative Dental Materials , ed. 11th. Mosby: St. Louis, MO, USA, 2002; صص 38-42. [ Google Scholar ]
وی، AG; لیندزی، دی.تی. Kuo، SL; Johnston، WM دقت رنگ دوربین های دیجیتال تجاری برای استفاده در دندانپزشکی. دندانه. ماتر 2006 ، 22 ، 553-559. [ Google Scholar ] [ CrossRef ]
مک لارن، کی. توسعه Cie 1976 (آزمایشگاه) یکنواخت فضای رنگ و فرمول تفاوت رنگ. J. Soc. رنگ. رنگ. 1976 ، 92 ، 338-341. [ Google Scholar ] [ CrossRef ]
لیو، LL; وانگ، XH; Li, J. ایجاد فضای رنگی یکنواخت بر اساس نمایشگر LCD. Optik 2017 ، 139 ، 338–346. [ Google Scholar ] [ CrossRef ]
مارتینز-دومینگو، MA; ملگوسا، م. اوکاجیما، ک. مدینه، وی جی; Collado-Montero، پردازش تصویر طیفی FJ برای نورپردازی موزه با استفاده از چراغ‌های LED CIE. Sensors 2019 , 19 , 5400. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
چن، ام. فاضل، جی. Xue, CQ; وانگ، هی. ماتا، آی. Chen, YF ارزیابی فرآیند شناختی توانایی و جذابیت رنگ بر اساس ERP. بین المللی J. تعامل. دس Manuf. 2017 ، 11 ، 471-479. [ Google Scholar ] [ CrossRef ]
حسن، ره. رضا، ف. بیگم، تی. تأثیرات جنسیتی بر پردازش رنگ: مطالعه پتانسیل مرتبط با رویداد (ERP). بنگلادش J. Med Sci. 2018 ، 17 ، 612-618. [ Google Scholar ] [ CrossRef ]
کرامر، AF; ویکنز، سی دی; دانچین، ای. تحلیلی از الزامات پردازش یک کار پیچیده ادراکی- حرکتی. هوم عوامل 1983 ، 25 ، 597-621. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Polich، J. وظیفه-سختی، احتمال، و فاصله بین محرک به عنوان عوامل تعیین کننده P300 از محرک شنیداری. الکتروانسفالوگر. کلین نوروفیزیول. 1987 ، 68 ، 311-320. [ Google Scholar ] [ CrossRef ]
پولیچ، جی. به روز رسانی p300: نظریه یکپارچه P3a و P3b. کلین نوروفیزیول. 2007 ، 118 ، 2128-2148. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شو، GF; دینگ، ال. IEEE. نشانگرهای عصبی برای دقت عملکرد فوری در یک کار تطبیق رنگ-کلمه استروپ: تجزیه و تحلیل پتانسیل های مرتبط با رویداد. در مجموعه مقالات سی و ششمین کنفرانس بین المللی سالانه انجمن مهندسی پزشکی و زیست شناسی IEEE در سال 2014، شیکاگو، IL، ایالات متحده آمریکا، 26 تا 30 اوت 2014. صص 6222–6225. [ Google Scholar ]
اندرو، ا. Fingelkurts، معماری عملیاتی AAF میدان پتانسیل زیستی مغز انسان: به سوی حل مشکل ذهن و مغز. ذهن مغز 2001 ، 2 ، 261-296. [ Google Scholar ]
Wicke، JD; لیندزلی، دی.بی. دانچین، ای. پتانسیل های برانگیخته بصری به عنوان تابع روشنایی فلاش + مدت زمان. Science 1964 , 146 , 83. [ Google Scholar ] [ CrossRef ]
ایکر، UKH; زیمر، HD; Groh-Bordin، C. تأثیر دستکاری رنگ شی و پس زمینه بر شاخص های الکتروفیزیولوژیکی حافظه تشخیص. Brain Res. 2007 ، 1185 ، 221-230. [ Google Scholar ] [ CrossRef ]
گان، تی. نیش، دبلیو. تأثیر رنگ‌های Ge، LZ بر اخلاق: شواهدی از پتانسیل‌های مرتبط با رویداد. علمی Rep. 2016 , 6 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فولر، TE; قرابدیان، PM; Lemonias، DP; جویس، ای. اشنیپر، جی ال. هری، ای.ام. بیتس، DW; دلال، AK; Benneyan، JC ارزیابی بار شناختی و کاری یک داشبورد ایمنی بستری در زمینه مدیریت مواد افیونی. Appl. ارگون. 2020 ، 85 . [ Google Scholar ] [ CrossRef ] [ PubMed ]

شکل 1. رابط نقشه موقعیت FBCB2.

شکل 2. رابط “نقشه نظامی”.

شکل 3. پنج نوع نقشه در “نقشه نظامی” (خط اول: ترکیبی، نقشه راه؛ خط دوم: جاده، ماهواره، زمین).

شکل 4. دوازده نوع نقشه زمین (خط اول: حومه، شهر، کوه (ارتفاع کم)؛ خط دوم: کوه (ارتفاع زیاد)، فلات، بیابان؛ خط سوم: مصب، فراساحل، دریاهای آزاد، خط چهارم. خط: کوه (ارتفاع متوسط)، کوه برفی، فلات ناهموار).

شکل 5. اجزای یک نماد تاکتیکی نظامی [ 32 ].

شکل 6. گزینه های نمایش نمادهای نظامی [ 32 ].

شکل 7. سیستم های رنگی مختلف (منبع: ( a ). www.haiwa.me/index.php/2017/03/16/color-pattern-learning/ ( b ). https://www.zcool.com.cn /article/ZMTEzMDk3Ng==.html ).

شکل 8. مواد اولیه آزمایشی [ 28 ].

شکل 9. رنگ های مورد استفاده در آزمایش (خط اول ( a , b ): آبی 1، آبی 2، آبی 3، آبی 4، آبی 5؛ خط دوم ( a , b ): سبز 1، سبز 2 , سبز 3, سبز 4, سبز 5؛ خط سوم ( a , b ): قرمز 1, قرمز 2, قرمز 3, قرمز 4, قرمز 5).