La estimación de estados en sistemas de gran escala donde la evolución de los estados describe un modelo dinámico no-lineal es una tarea compleja que implica una alta carga computacional. Las señales electroencefalografías (EEG) medidas en el cuero cabelludo se pueden describir a través de un modelo de espacio de estados no-lineal y, por lo tanto, la tarea de reconstrucción de la actividad neuronal se puede considerar como un problema de estimación de estados. Este trabajo presenta el diseño de un observador de estados regularizado no-lineal para la reconstrucción de la actividad neuronal a partir de señales EEG. El método aplicado considera una restricción espacio-temporal no-lineal basada en el comportamiento fisiológico para resolver el problema inverso dinámico asociado a la reconstrucción de la actividad neuronal considerando miles de fuentes distribuidas en el cerebro y a una representación en reducida con una base espacial. Los parámetros del modelo no-lineal se pueden estimar resultando en un observador regularizado no-lineal adaptativo. Los parámetros de regularización influyen en las propiedades de filtrado del método y se propone la aplicación de un algoritmo genético con validación cruzada generalizada para encontrar un valor adecuado de estos parámetros. Los métodos propuestos se comparan con el método de ”Múltiple Sparse Priors” (MSP) del estado del arte usando un conjunto de datos de EEG simulados.