Si bien las Redes Neuronales Profundas (DNNs) y el Aprendizaje por Transferencia (TL) han contribuido en gran medida a varias disciplinas médicas y clínicas, la aplicación a conjuntos de datos fisiológicos multivariados sigue siendo limitada. Los ejemplos actuales se centran principalmente en una señal fisiológica y solo pueden utilizar aplicaciones personalizadas para esa medida específica, lo que limita la posibilidad de transferir la DNN entrenada a otros dominios. En este estudio, compusimos un conjunto de datos de seis tipos diferentes de señales fisiológicas (Electrocardiograma, Actividad electrodermal, Electromiograma, Fotopletismograma, Respiración y Aceleración). Las señales se recopilaron de 232 sujetos utilizando cuatro dispositivos de adquisición diferentes. Utilizamos una DNN para clasificar el tipo de señal fisiológica y demostrar cómo el enfoque de TL permite la explotación de la eficiencia de las DNN en otros dominios. Después de que la DNN se entrenó para clasificar óptimamente el tipo de señal, las características extraídas automáticamente por la DNN se utilizaron para clasificar el tipo de dispositivo utilizado para la adquisición mediante una Máquina de Vectores de Soporte. El conjunto de datos, el código y los parámetros entrenados de la DNN están disponibles públicamente para fomentar la adopción de DNN y TL en aplicaciones con señales fisiológicas multivariadas.