A menudo es difícil relacionar la salida eléctrica del sensor con el escenario físico cuando interesa una medición multidimensional. Una red neuronal artificial puede ser una solución. Sin embargo, si el conjunto de datos de entrenamiento se extrae de un montaje experimental real, puede resultar inalcanzable en términos de recursos de tiempo. El mismo problema se plantea cuando se espera que la medición física se extienda a lo largo de una amplia gama de valores. Este artículo presenta un método novedoso para superar el largo tiempo de entrenamiento en un experimento físico mediante el bootstrapping de un conjunto de datos relativamente pequeño para generar un conjunto de datos sintéticos que puede utilizarse para entrenar una red neuronal artificial. Este método puede aplicarse a varios sistemas de medición que producen salidas de sensores que combinan ocurrencias simultáneas o valores de amplio rango de fenómenos físicos de interés. Analizamos a qué sistemas puede aplicarse nuestro método. Ejemplificamos nuestros resultados en tres casos de estudio: un conjunto de sensores sísmicos, un conjunto lineal de galgas extensométricas y un conjunto de sensores ópticos. Presentamos el proceso experimental, sus resultados y las precisiones resultantes.