基于感知驱动的HMI颜色组合可区分性评估：一种证据驱动的建模框架

《Expert Systems with Applications》：Towards Perception-Driven Evaluation of Discriminability for HMI Color Combinations: An Evidential Modeling Framework

本研究针对传统颜色差异算法与人眼感知存在偏差的问题，提出基于证据理论的人机界面颜色可区分性评估方法。该方法通过问卷调查构建颜色模糊数，利用颜色组合的谱系空间关系生成基本信任赋值，并通过信念熵量化评估可区分性，有效整合了主观感知数据，为HMI色彩设计提供新范式。

　　

Xuying Huang | Ziying Hong | Xiaoyan Su

上海电力大学自动化工程学院，上海，200090，中国

摘要

人机界面（HMI）是用户与计算机系统交互的关键媒介，其配色方案设计直接影响用户的信息辨别能力。颜色辨别能力是评估人类感知的关键指标。然而，传统的颜色差异算法存在局限性，因为它们可能与人类感知存在不一致性，且RGB成分值有时难以获取，从而阻碍了对不同颜色组合实际辨别能力的灵活有效评估。为了解决这些问题，本研究提出了一种基于感知的HMI颜色辨别能力评估方法。该方法包括三个主要步骤：（1）通过问卷收集用户感知数据以构建颜色模糊数；（2）根据自然光谱面板内颜色组合的空间关系生成基本信念分配（BBAs）；（3）使用信念熵来量化辨别能力。通过将人类主观感知融入评估系统，这种方法实现了与人类视觉认知相一致的定量评估。基于中国大学生的案例研究和实验结果表明，所提出的方法能够有效评估不同颜色组合下的颜色辨别能力，并为HMI颜色设计建立了基于感知的实证建模框架。

引言

自动化和数字化转型已成为当代社会的主要趋势（Chang, Wang, Xiang, Zhu, & Lee (2025)）。随着技术的不断进步，工业生产模式正在发生深刻变化。企业越来越依赖先进的自动化系统来提高生产效率、降低运营成本并确保产品质量的稳定性。在这种背景下，人机界面（HMI）作为人机交互的关键媒介（Farcasiu & Prisecaru (2014); Park et al. (2024)）发挥着重要作用，其设计因此受到了学术界和工业界的广泛关注（Ben-Assuli, Heart, Klempfner, & Padman (2023); Perlmutter, Gifford, & Krening (2024); Sobrie & Verschelde (2024)）。作为用户与设备之间的主要接口，HMI设计直接塑造了用户体验。它支持有效的决策制定，并确保系统操作的安全性和效率。HMI包含多种设计元素，如布局、配色方案、排版和导航（Chen, Li, & Jamieson (2018); Oyibo & Vassileva (2020），这些元素共同构成了用户与系统之间的交互环境。用户依赖于对这些元素传达的信息的识别和解释来执行任务并做出明智的决策（Chang, Pan, Zhao, & Kang (2024); Chen, Tao, Zeng, Koehl, & Boulenguez-Phippen (2015); Li, Wang, Song, & Liu (2024c)）。

在各种界面元素中，颜色是一个关键的设计因素，它能够吸引视觉注意力，并在引导人类认知和情绪反应方面提供显著优势。因此，HMI中的颜色设计已成为一个备受关注的学术课题。例如，Cheng等人研究了网页背景颜色对用户决策的影响（Cheng, Wu, & Leiner (2019）；Diego-Mas和Alcaide-Marzal根据用户偏好优化了配色方案以提高满意度（Diego-Mas & Alcaide-Marzal (2016）；Boulhic等人分析了颜色编码对用户心理负担和信息检索效率的影响（Boulhic et al. (2018）；此外，Deng等人探讨了不同颜色如何影响视觉舒适度、生理反应和情绪状态（Deng, Wang, & Chen (2017）。

颜色组合是颜色设计中的一个关键方面，特别是在对高准确性和可靠性要求较高的工程领域。在这种情况下，选择具有高辨别能力的颜色组合对于确保有效的人机交互以及最小化颜色与其所传达信息之间的混淆风险至关重要。

因此，建立一种客观的方法来评估颜色组合的优点和局限性，特别是它们的辨别能力，已成为一个重要的研究挑战。理想情况下，如果研究人员能够针对特定场景对人类在不同颜色组合下的辨别能力进行实验研究，那么就可以开发出符合特定应用场景感知要求的最佳颜色解决方案。然而，在实际应用中，这样的实验工作面临相当大的挑战。随着潜在颜色组合数量的增加，尤其是当颜色色调被精细分类时，所需实验的规模会大幅扩大。此外，一旦引入或修改了材料类型或上下文变量以适应不同的使用场景，评估的复杂性也会显著增加。因此，尽管有针对性的实验可能有助于识别特定条件下的首选颜色组合，但将这些发现推广到任意场景中评估所有可能组合的辨别能力仍然具有挑战性。

借鉴计算机图形学和光学的研究成果，学者们构建了数学模型，基于颜色辨别能力指标来评估人类在不同颜色组合下的辨别能力，以支持HMI颜色设计（BSc et al. (2019); Tseng, Chao, Feng, & Hwang (2010））。这些模型的基本前提是，较大的颜色差异使得人类观察者更容易区分颜色，从而表明更高的感知辨别能力。常用的评估颜色差异的框架包括CIELAB ΔE*（Lee (2005）、红-绿-蓝（RGB）和色调-饱和度-值（HSV）等。这些模型通常将颜色辨别能力作为用户感知和区分视觉信息能力的关键指标（Altmann et al. (2022); Holmes, Franklin, Clifford, & Davies (2009）。

然而，这些方法主要从计算角度分析颜色差异，往往忽略了人类主观颜色感知。先前的研究表明，在相似的环境条件下，人类的颜色感知受到视网膜中锥细胞的影响，人眼对绿光最为敏感（Garg, Vinod, & Kant (2023）。特别是在明亮的环境中，黄绿色光（波长约为550纳米）最容易被感知（NATHANS (1986); Stockman & Sharpe (2000)）。因此，仅依赖于基于光学或计算机视觉的计算分析（如基于RGB或CIELAB的框架）可能会导致与人类感知判断不同的结果。例如，在图1中，有三种颜色C1、C2和C3。根据公式（见Mokrzycki & Tatol (2011)）计算出的C1和C2的CIELAB值分别为43.90和55.97。结果表明ΔE_C1< />< />

基于上述分析，现有方法中仍有两个关键问题尚未解决：如何有效地将人类主观感知融入颜色辨别能力的评估中，以及如何在不依赖大规模实验程序的情况下近似人类在不同颜色组合下的辨别能力。

为了解决这些挑战，本研究提出了一种基于用户感知数据的、基于感知的实证建模方法来评估HMI颜色组合的辨别能力。首先，通过结构化问卷收集用户对特定颜色的感知反应以构建颜色模糊数。其次，根据自然光谱面板内颜色组合的空间关系生成基本信念函数。第三，使用信念熵来定量评估不同颜色组合的辨别能力。所提出的方法可以部分解决上述两个关键问题：它能够将人类主观感知融入颜色辨别能力的评估中，并提供一种近似的方法来评估人类在不同颜色组合下的辨别能力，而无需依赖大规模实验。该方法可以作为传统颜色差异指标的补充，基于感知的替代方案。

本文的其余部分组织如下。第2节简要介绍了与证据理论、信念熵和模糊数相关的基本概念。第3节详细介绍了所提出评估方法的具体程序。第4节通过几个案例研究展示了该方法的适用性。第5节描述了一系列实验以进一步验证其有效性。最后，第6节总结了结论并概述了未来研究的潜在方向。

节选

Dempster-Shafer证据理论

提出的方法

本研究提出了一种基于感知的HMI颜色辨别能力评估方法。该方法的基本框架包括三个过程和六个步骤，如图2所示。

人类视觉系统以不同的方式感知不同波长的光，从而能够区分不同的颜色。七种标准可见颜色（红色、橙色、黄色、绿色、青色、蓝色和紫色）构成了可见光谱

案例研究

案例1：假设有五种颜色：A、A’、B、B’和C。它们形成了三种颜色组合，即“颜色A-颜色B”、“颜色A’-颜色B’”和“颜色A-颜色C”，分别表示为G1、G2和G3。在用户问卷调查和根据第3步处理感知数据后，每种颜色获得的三角模糊数如下：颜色A（1.1, 1.25, 1.4），颜色A’（1.1, 1.45, 1.8），颜色B（1.8, 1.95, 2.1），颜色B’（1.4, 1.75, 2.1），颜色C（2.8, 2.9, 3.1）。

实验

为了进一步说明所提出方法的程序并验证其有效性，设计了三个实验。以下部分详细描述了实验设置和实施过程。

假设

所提出的基于感知的实证框架建立在两个基本假设之上。首先，本研究假设人类对不同颜色的感知敏感性基本相当。因此，不考虑颜色之间的感知权重差异。在这个假设下，评估过程关注的是颜色在光谱面板上的空间分布，而不是它们各自的感知差异。其次，在本研究中，我们假设

结论

本研究将人类主观感知融入评估系统，并提出了一种评估HMI中颜色组合辨别能力的方法。该方法首先通过问卷收集用户对特定颜色的感知反应以构建颜色模糊数。然后，根据自然光谱面板内颜色组合的空间关系生成基本信念函数。最后，评估每种颜色组合的辨别能力

CRediT作者贡献声明

Xuying Huang：撰写——原始草稿、软件、方法论、撰写——审阅与编辑。Ziying Hong：方法论、验证、可视化。Xiaoyan Su：监督、概念化、方法论、形式分析、撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。