Extraer datos relevantes de experimentos del mundo real a menudo es un desafío debido a la dispersión de las propiedades de los materiales intrínsecos y de los dispositivos, como en la electrónica orgánica. Sin embargo, el análisis de datos multivariantes puede ser un medio para sortear esto y extraer más información cuando se utilizan conjuntos de datos más grandes con algoritmos de aprendizaje en lugar de modelos físicos. Aquí, informamos sobre la identificación de descriptores de información relevantes para transistores electroquímicos orgánicos (OECTs) para clasificar electrolitos acuosos según su composición iónica. Al aplicar pulsos de puerta periódicos a diferentes magnitudes de voltaje, extraímos un número reducido de descriptores no redundantes de la rica dinámica de corriente de drenaje, que proporcionan suficiente información para agrupar datos electroquímicos mediante análisis de componentes principales entre electrolitos ricos en Ca, K y Na. Con seis valores de corriente obtenidos en el dominio temporal apropiado de la carga/descarga transitoria del dispositivo, se puede identificar la identidad catiónica de una corriente transitoria localmente sondeada con solo un dispositivo micrométrico. Aplicado a sensores neuronales basados en OECT, este análisis demuestra la capacidad de un único dispositivo no selectivo para recuperar la rica identidad iónica de la actividad neural a la escala de cada neurona individualmente cuando se aplican algoritmos de aprendizaje a la física del dispositivo.