步行作为一种由多个生理系统相互协作完成的动作,反映着人体的健康状况。一旦参与其中的某个生理系统出现了问题,便会出现异常的走路姿势即异常步态。鉴于此,诞生了一个研究方向,步态分析。目前有诸多步态分析的研究,他们提取了一些描述步态的特征,对步态进行了较为有效地描述,但是他们忽略了步行过程中下肢双侧在频率域上的瞬时的因果交互关系。本文从这一角度入手,试图观察帕金森病（Parkinson’s disease,PD）对这一关系的影响。本文基于因果分解这一方法对双侧间的因果关系进行了描述。该方法能够在不同的频率成分上评估双侧的垂直足底压力信号间的因果强度。考虑到足底整体受力能够描述足底的受力趋势,足底局部受力能够对细节进行描述。本文在整体受力和局部受力两个尺度上,使用上述方法进行了分析。此外,鉴于PD病人的运动症状的不对称性,本文还依据网络的边的方向性,将描述局部受力尺度的因果关系的网络分解成了双向子网络和单向子网络来进行进一步的分析。最后,我使用了机器学习分类器验证了本文提取的特征的实用性。结果表明,在整体受力尺度,高频成分的因果强度能够显著地区分PD病人和健康人,并且能够有效地描述PD的严重程度,而其他的频率成分并未展现出这样的效果。在局部受力尺度,中低频网络的拓扑结构表现出了疾病对PD病人的显著影响:随着疾病的发展,因果交互网络的密度和强度表现出了显著的降低,双向子网络中的节点表现出了聚集的趋势,单向子网络中节点间的关系开始由单向转变为双向。最后,机器学习的分类效果显示,相比于传统的特征,本文提取的特征也表现出更好的分类效果。基于上述的工作,本文试图从一个新的角度来研究分析步态,将不同尺度、不同频段的因果关系与疾病的严重程度相联系,更加细化地描述双侧之间的交互关系。本文试图为临床的诊断和日常检测提供新的信号特征,帮助实现更加全面的疾病预防和监测。